ECoLAD: 자동차 시계열 이상 감지를 위한 배포 지향 평가
ECoLAD: Deployment-Oriented Evaluation for Automotive Time-Series Anomaly Detection
March 11, 2026
저자: Kadir-Kaan Özer, René Ebeling, Markus Enzweiler
cs.AI
초록
시계열 이상 감지 방법은 일반적으로 워크스테이션급 하드웨어에서 제약 없는 실행 환경 하에 비교됩니다. 그러나 차량 내 모니터링은 제한된 CPU 병렬 처리 환경에서 예측 가능한 지연 시간과 안정적인 동작을 요구합니다. 따라서 정확도만을 기준으로 한 성능 순위표는 실제 배포 관련 제약 조건에서도 여전히 사용 가능한 방법을 왜곡하여 제시할 수 있습니다.
본 논문에서는 자동차 전용 원격 측정 데이터(이상 비율 약 0.022%)와 보조 공개 벤치마크를 활용한 실증 연구를 통해 구현된 배포 지향 평가 프로토콜인 ECoLAD(이상 감지를 위한 효율성 연산 단계)를 제안합니다. ECoLAD는 이기종 감지기 패밀리에 대해 기계적으로 결정된 정수 기반 스케일링 규칙과 명시적인 CPU 스레드 제한을 적용하여 단조로운 연산 감소 단계를 적용하며, 적용된 모든 구성 변경 사항을 기록합니다. 처리량 제약 조건에서의 동작은 목표 점수 산출 속도를 광범위하게 변화시키면서 (i) 커버리지(목표를 충족하는 엔티티 비율)와 (ii) 측정된 단계 구성 중 목표를 만족하는 구성에서 달성 가능한 최고의 AUC-PR을 보고하여 특성화됩니다. 제약된 자동차 원격 측정 데이터에서는 경량의 전통적 감지기가 전체 처리량 범위에서 무작위 기준선 대비 커버리지와 탐지 성능 향상을 모두 유지했습니다. 여러 심층 학습 기반 방법은 정확도를 잃기 전에 실행 가능성을 상실했습니다.
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.