ECoLAD: Valutazione Orientata al Deployment per l'Anomaly Detection di Serie Temporali Automotive

ECoLAD: Deployment-Oriented Evaluation for Automotive Time-Series Anomaly Detection

March 11, 2026

Autori: Kadir-Kaan Özer, René Ebeling, Markus Enzweiler

cs.AI

Abstract

I rilevatori di anomalie in serie temporali vengono comunemente confrontati su hardware di classe workstation in condizioni di esecuzione non vincolate. Tuttavia, il monitoraggio a bordo veicolo richiede una latenza prevedibile e un comportamento stabile con un parallelismo della CPU limitato. Le classifiche basate solo sull'accuratezza possono quindi rappresentare in modo fuorviante quali metodi rimangono fattibili sotto i vincoli rilevanti per il dispiegamento. Presentiamo ECoLAD (Efficiency Compute Ladder for Anomaly Detection), un protocollo di valutazione orientato al dispiegamento, istanziato come uno studio empirico su dati telemetrici automobilistici proprietari (tasso di anomalie ~0,022) e benchmark pubblici complementari. ECoLAD applica una scala di riduzione monotona del carico computazionale su famiglie eterogenee di rilevatori, utilizzando regole di ridimensionamento determinate meccanicamente, basate solo su numeri interi, e limiti espliciti sui thread della CPU, registrando ogni modifica di configurazione applicata. Il comportamento in condizioni di throughput vincolato è caratterizzato esplorando diverse frequenze obiettivo di scoring e riportando (i) la copertura (la frazione di entità che raggiunge l'obiettivo) e (ii) il miglior AUC-PR ottenibile tra le configurazioni della scala misurate che soddisfano l'obiettivo. Sui dati telemetrici automobilistici vincolati, i rilevatori classici leggeri mantengono sia la copertura che il miglioramento nel rilevamento al di sopra della baseline casuale per l'intera gamma di throughput. Diversi metodi deep learning perdono fattibilità prima di perdere accuratezza.

English

Time-series anomaly detectors are commonly compared on workstation-class hardware under unconstrained execution. In-vehicle monitoring, however, requires predictable latency and stable behavior under limited CPU parallelism. Accuracy-only leaderboards can therefore misrepresent which methods remain feasible under deployment-relevant constraints. We present ECoLAD (Efficiency Compute Ladder for Anomaly Detection), a deployment-oriented evaluation protocol instantiated as an empirical study on proprietary automotive telemetry (anomaly rate {approx}0.022) and complementary public benchmarks. ECoLAD applies a monotone compute-reduction ladder across heterogeneous detector families using mechanically determined, integer-only scaling rules and explicit CPU thread caps, while logging every applied configuration change. Throughput-constrained behavior is characterized by sweeping target scoring rates and reporting (i) coverage (the fraction of entities meeting the target) and (ii) the best AUC-PR achievable among measured ladder configurations satisfying the target. On constrained automotive telemetry, lightweight classical detectors sustain both coverage and detection lift above the random baseline across the full throughput sweep. Several deep methods lose feasibility before they lose accuracy.