ECoLAD：自動車時系列異常検知における実運用指向評価
ECoLAD: Deployment-Oriented Evaluation for Automotive Time-Series Anomaly Detection
March 11, 2026
著者: Kadir-Kaan Özer, René Ebeling, Markus Enzweiler
cs.AI
要旨
時系列異常検知システムの評価は、一般的にワークステーションクラスのハードウェア上で制約のない実行条件下で比較される。しかし、車載モニタリングでは、限られたCPU並列性の下で予測可能なレイテンシと安定した動作が要求される。したがって、精度のみを重視した評価ランキングは、実際の導入環境における制約下でどの手法が実用可能かを正しく示さない場合がある。
本研究では、自動車専用テレメトリデータ（異常率約0.022%）および補完的な公開ベンチマークを用いた実証研究として、導入指向の評価プロトコルECoLAD（Efficiency Compute Ladder for Anomaly Detection）を提案する。ECoLADは、機械的に決定された整数のみのスケーリングルールと明示的なCPUスレッド制限を用いて、異種混合の検出器ファミリーに対して単調な計算量削減ラダーを適用し、適用された全ての設定変更を記録する。スループット制約下での動作特性は、目標スコアリングレートを掃引し、(i)目標値を満たすエンティティの割合（カバレッジ）と、(ii)目標値を満たす測定済みラダー設定の中で達成可能な最高のAUC-PRを報告することで特徴付けられる。制約条件の厳しい自動車テレメトリデータでは、軽量な古典的検出器は、スループット全域にわたってカバレッジと検出性能（ランダムベースライン以上の向上）の両方を維持した。一方、いくつかの深層学習手法は、精度が低下する以前に実用可能性を失うことが確認された。
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.