ECoLAD: Avaliação Orientada à Implantação para Detecção de Anomalias em Séries Temporais Automotivas

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

March 11, 2026

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

cs.AI

Resumo

Os detectores de anomalias em séries temporais são comumente comparados em hardware de classe workstation sob execução sem restrições. No entanto, a monitorização em veículos exige latência previsível e comportamento estável com paralelismo de CPU limitado. Os rankings baseados apenas em precisão podem, portanto, deturpar quais métodos permanecem viáveis sob restrições relevantes para a implantação. Apresentamos o ECoLAD (Efficiency Compute Ladder for Anomaly Detection), um protocolo de avaliação orientado para a implantação, instanciado como um estudo empírico sobre telemetria automóvel proprietária (taxa de anomalias ≈0,022) e benchmarks públicos complementares. O ECoLAD aplica uma escada monotónica de redução de computação em famílias de detectores heterogéneas, utilizando regras de escala mecanicamente determinadas, com apenas números inteiros, e limites explícitos de threads da CPU, registando todas as alterações de configuração aplicadas. O comportamento com restrições de débito é caracterizado pela varredura de taxas de pontuação-alvo e pelo relatório (i) da cobertura (a fração de entidades que atingem o objetivo) e (ii) do melhor AUC-PR alcançável entre as configurações da escada medidas que satisfazem o objetivo. Na telemetria automóvel restrita, detectores clássicos leves mantêm tanto a cobertura como a melhoria na deteção acima da linha de base aleatória em toda a varredura de débito. Vários métodos profundos perdem viabilidade antes de perderem precisão.

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.