ECoLAD: Implementatiegericht evaluatiekader voor anomaliedetectie in automotive tijdreeksen

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

March 11, 2026

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

cs.AI

Samenvatting

Tijdreeksanomaliedetectoren worden doorgaans vergeleken op workstation-hardware onder onbeperkte uitvoering. Voertuigmonitoring vereist echter voorspelbare latentie en stabiel gedrag bij beperkte CPU-paralleliteit. Ranglijsten die alleen op nauwkeurigheid zijn gebaseerd, kunnen daarom een misleidend beeld geven van welke methoden haalbaar blijven onder implementatiegerichte beperkingen. Wij presenteren ECoLAD (Efficiency Compute Ladder for Anomaly Detection), een implementatiegericht evaluatieprotocol dat wordt geconcretiseerd als een empirische studie op propriëtaire automotive telemetrie (anomaliepercentage ≈0,022) en aanvullende publieke benchmarks. ECoLAD past een monotone rekenkrachtreductieladder toe op heterogene detectorfamilies met behulp van mechanisch bepaalde, uitsluitend op gehele getallen gebaseerde schaalregels en expliciete CPU-threadlimieten, waarbij elke toegepaste configuratiewijziging wordt gelogd. Gedrag onder doorvoerbeperkingen wordt gekarakteriseerd door het systematisch variëren van streefscoringssnelheden en het rapporteren van (i) dekking (het deel van de entiteiten dat aan de streefsnelheid voldoet) en (ii) de beste AUC-PR die haalbaar is onder de gemeten ladderconfiguraties die aan de streefsnelheid voldoen. Op de beperkte automotive telemetrie behouden lichtgewicht klassieke detectoren zowel de dekking als de detectieverbetering ten opzichte van de willekeurige basislijn over het volledige doorvoerbereik. Verschillende deep learning-methoden verliezen hun haalbaarheid voordat ze aan nauwkeurigheid inboeten.

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.