ECoLAD: 自動車用時系列異常検知のデプロイメント志向評価

時系列データの異常検知器は、通常は制約のない実行環境下でワークステーション級のハードウェア上で比較されます。しかし車載モニタリングでは、予測可能な待機遅延と、限られたCPU並列性の下での安定した挙動が求められます。そのため、精度のみを重視したリーダーボードは、デプロイメント関連の制約の下でどの手法が実行可能かを誤って表す可能性があります。 我々はECoLAD（Efficiency Compute Ladder for Anomaly Detection）を提示します。これは、デプロイメント志向の評価プロトコルで、ある自動車テレメトリデータ（異常率約0.022）と補完的な公開ベンチマークを対象とした実証研究として実装されています。ECoLADは、機械的に決定された整数のみのスケーリング規則と明示的なCPUスレッド上限を用いて、異種検知器ファミリにわたる単調な計算削減の階段を適用し、適用されたすべての設定変更を記録します。スループット制約下の挙動は、ターゲットスコアリング率をスイープして特徴づけられ、(i) カバレッジ（ターゲットを満たすエンティティの割合）および (ii) ターゲットを満たす測定階段構成の中で達成可能な最良のAUC-PRを報告します。制約のある自動車テレメトリでは、軽量な古典的検知器が全スループット範囲にわたりカバレッジと検出リフトをランダムベースラインを上回って維持します。いくつかの深層手法は、精度を失う前に実行不可能になる。