이 논문은 자율 주행과 같은 시간 및 계산 자원에 민감한 요구 사항을 가진 자동화 시스템에서 이상 탐지에 대한 새로운 방법을 제안하며, 비견할 수 없는 효율성을 제공한다. 자율 주행과 같은 시스템이 점점 더 보편화됨에 따라, 이러한 시스템의 안전성 확보는 이전 어느 때보다도 중요해지고 있다. 따라서 본 논문은 위와 같은 시스템 내에서 다양한 이상 현상을 빠르고 효과적으로 탐지하는 방법에 초점을 맞추어, 시스템의 안전성과 효율성을 더욱 높이는 것을 목표로 한다. 공간적 맥락에서 많은 이상 탐지 시스템이 성공적으로 개발되었지만, 시간적 맥락에 대한 고려는 여전히 큰 개선 여지가 있다. 이 작업에 관한 연구는 다수 존재하지만, 실시간 추론이 요구되는 환경—예를 들어 이상 현상이 시야에 들어오는 즉시 탐지해야 하는 자율 주행 시나리오—에서 모델의 효율성과 적용 가능성을 고려한 연구는 거의 이루어지지 않았다. 이러한 격차를 메우기 위해, 본 논문은 (2+1)D 컨볼루션과 Performer 선형 어텐션을 기반으로 설계된 스파티오-시계열 효율적 이상 탐지 모델인 STEAD(Spatio-Temporal Efficient Anomaly Detection)를 제안한다. 이는 성능을 희생시키지 않으면서도 계산 효율성을 보장한다. UCF-Crime 벤치마크에서 테스트한 결과, 기본 모델은 AUC 91.34%를 달성하여 기존 최고 성능 모델을 초과하였으며, 빠른 버전은 AUC 88.87%를 기록하면서도 파라미터 수를 99.70% 감소시켰고, 여전히 기존 최고 성능을 넘어서는 성능을 보였다. 코드 및 사전 학습된 모델은 공개되어 있으며, https://github.com/agao8/STEAD 에서 확인할 수 있다.