बहुभिन्नरूपी समय श्रृंखला विसंगति संसूचन अनुसंधान की चुनौतियों का समाधान करने के लिए, यह शोधपत्र विविध, व्यापक और गैर-तुच्छ विसंगतियों वाले एक नए डेटासेट का प्रस्ताव करता है जो ऑटोमोटिव पावरट्रेन के यथार्थवादी व्यवहार को दर्शाते हैं। अत्याधुनिक सिमुलेशन उपकरणों का उपयोग करके तैयार किया गया यह डेटासेट, मौजूदा सार्वजनिक डेटासेट की चुनौतियों, जैसे कि उनका आकार, विविधता और जटिलता, का समाधान करता है। इसमें बहुभिन्नरूपी, गतिशील और परिवर्तनशील अवस्था विशेषताएँ शामिल हैं, और यह उन असतत अनुक्रम समस्याओं का समाधान करता है जिनका पिछले शोध में समाधान नहीं किया गया था। पर्यवेक्षित और अर्ध-पर्यवेक्षित विसंगति संसूचन व्यवस्थाओं, समय श्रृंखला निर्माण और पूर्वानुमान का समर्थन करने के लिए, हम दूषित और स्वच्छ डेटा वाले डेटासेट के कई संस्करण प्रदान करते हैं। हम नियतात्मक और परिवर्तनशील ऑटोएनकोडर, साथ ही गैर-पैरामीट्रिक दृष्टिकोणों पर आधारित आधारभूत प्रदर्शन परिणाम भी प्रस्तुत करते हैं। हमारे आधारभूत प्रयोगात्मक परिणाम दर्शाते हैं कि अर्ध-पर्यवेक्षित डेटासेट पर प्रशिक्षित मॉडल पर्यवेक्षित मॉडलों से बेहतर प्रदर्शन करते हैं, जो दूषित प्रशिक्षण डेटा के लिए अधिक मज़बूत दृष्टिकोणों की आवश्यकता पर प्रकाश डालता है। इसके अलावा, हम पहचान प्रदर्शन पर थ्रेशोल्डिंग के महत्वपूर्ण प्रभाव पर प्रकाश डालते हैं, तथा लेबल रहित डेटा के लिए उपयुक्त थ्रेशोल्ड खोजने पर आगे अनुसंधान की आवश्यकता पर प्रकाश डालते हैं।
