ECoLAD: Ориентированная на внедрение оценка методов обнаружения аномалий во временных рядах в автомобильной отрасли
ECoLAD: Deployment-Oriented Evaluation for Automotive Time-Series Anomaly Detection
March 11, 2026
Авторы: Kadir-Kaan Özer, René Ebeling, Markus Enzweiler
cs.AI
Аннотация
Аномальные детекторы временных рядов обычно сравнивают на рабочих станциях в условиях неограниченного выполнения. Однако мониторинг в автомобиле требует предсказуемой задержки и стабильного поведения при ограниченном параллелизме ЦП. Следовательно, рейтинги, основанные только на точности, могут искажать представление о том, какие методы остаются работоспособными в условиях, релевантных для развертывания.
Мы представляем ECoLAD (Иерархия Эффективности Вычислений для Обнаружения Аномалий) — ориентированный на развертывание протокол оценки, реализованный в виде эмпирического исследования на основе проприетарной автомобильной телеметрии (уровень аномалий ~0,022%) и дополнительных публичных бенчмарков. ECoLAD применяет монотонную иерархию снижения вычислительной нагрузки к различным семействам детекторов, используя механически определенные, целочисленные правила масштабирования и явные ограничения на количество потоков ЦП, при этом фиксируя каждое внесенное изменение конфигурации. Поведение в условиях ограниченной пропускной способности характеризуется путем перебора целевых скоростей оценки и отчетности по (i) охвату (доля сущностей, удовлетворяющих цели) и (ii) наилучшему AUC-PR, достижимому среди измеренных конфигураций иерархии, удовлетворяющих цели. На ограниченной автомобильной телеметрии легковесные классические детекторы сохраняют как охват, так и эффективность обнаружения выше случайного базового уровня на всем диапазоне пропускной способности. Несколько глубоких методов теряют практическую применимость до того, как теряют точность.
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.