الكشف الفعّال عن الشذوذ وتشخيصه في بيانات السلاسل الزمنية متعددة المتغيرات له أهمية كبيرة في التطبيقات الصناعية الحديثة. ومع ذلك، فإن بناء نظام قادر على تحديد الملاحظات الشاذة بسرعة ودقة يُعدّ مشكلة صعبة. ويعود ذلك إلى نقص العلامات الشاذة، وعالية التقلب في البيانات، وتطلب أوقات استنتاج فائقة الانخفاض في التطبيقات الحديثة. وعلى الرغم من التطورات الحديثة في أساليب التعلم العميق للكشف عن الشذوذ، إلا أن عددًا قليلاً منها قادر على معالجة جميع هذه التحديات في آنٍ واحد. في هذا البحث، نقترح نموذج TranAD، وهو نموذج للكشف عن الشذوذ وتشخيصه يعتمد على شبكة تحويلية عميقة (Transformer) تستخدم مشغلات تسلسلية تعتمد على الانتباه لتنفيذ استنتاج سريع، مع الاستفادة من المعرفة بالاتجاهات الزمنية الشاملة في البيانات. يعتمد TranAD على تكييف ذاتي مبني على درجات التركيز لتمكين استخراج ميزات متعددة الأشكال بشكل موثوق، كما يستخدم التدريب العدواني لتحقيق الاستقرار. علاوةً على ذلك، يسمح لنا التعلم المتعدد الأغراض للنموذج (MAML) بتدريب النموذج باستخدام كميات محدودة من البيانات. وقد أظهرت الدراسات التجريبية الواسعة على ستة مجموعات بيانات متاحة للعامة أن TranAD يتفوق على أساليب المقارنة المتطورة في أداء الكشف والتشخيص، مع تدريب أكثر كفاءة من حيث البيانات والوقت. وبشكل خاص، يزيد TranAD من قيم F1 بنسبة تصل إلى 17%، ويقلل من أوقات التدريب بنسبة تصل إلى 99% مقارنةً بالأساليب السابقة.