本稿では、自動運転など時間的・計算リソースに制約のある自動化システムにおける異常検出に対して、かつてないほどの効率性を実現する新しい手法を提示する。自動運転のようなシステムがますます普及する中、その安全性確保はかつてないほど重要性を増している。そのため本研究では、上記システムにおける多様な異常を迅速かつ効果的に検出する方法に焦点を当て、システムの安全性と効率性を向上させることを目的とする。空間的文脈を前提とした異常検出システムは、多くの成功例が報告されているが、時間的文脈（temporal context）を扱う面では依然として大幅な改善の余地がある。このタスクに関しては多数の研究が行われているものの、リアルタイム推論が求められる場面、特に異常が視界に入った瞬間に検出が必要となる自動運転などに適用可能なモデルの効率性については、ほとんど研究が進んでいない。このギャップを埋めるために、本研究では「Spatio-Temporal Efficient Anomaly Detection（STEAD）」を提案する。STEADのベース構造は、(2+1)D畳み込み（(2+1)D Convolutions）とPerformer線形アテンション（Performer Linear Attention）を組み合わせて構築されており、性能を損なうことなく計算効率を確保している。UCF-Crimeベンチマーク上で評価した結果、ベースモデルはAUC 91.34%を達成し、従来の最先端手法を上回った。また、高速版モデルはAUC 88.87%を記録しつつ、パラメータ数を99.70%削減したにもかかわらず、依然として既存の最先端手法を上回った。本研究で開発したコードおよび事前学習済みモデルは、GitHubにて公開されており、https://github.com/agao8/STEAD から入手可能である。