كشف الانحرافات يُعد مهمة شائعة الدراسة في مجالات متعددة من أنواع البيانات؛ ومن بين هذه الأنماط، تظهر السلاسل الزمنية المتعددة بشكل متكرر في التطبيقات، مثل الشبكات الكهربائية وشبكات النقل. ومع ذلك، فإن كشف الانحرافات في السلاسل الزمنية المتعددة يُعد موضوعًا صعبًا نظرًا للعلاقات المعقدة والاعتماد المتبادل بين السلاسل المكونة. نفترض أن الانحرافات تحدث في مناطق منخفضة الكثافة ضمن التوزيع، ونستكشف استخدام التدفقات القياسية (Normalizing Flows) للكشف عن الانحرافات دون تدريب مراقب، وذلك بفضل جودتها العالية في تقدير الكثافة. علاوة على ذلك، نقترح نموذج تدفق جديد من خلال تطبيق شبكة بايزية (Bayesian Network) بين السلاسل المكونة. تُعد الشبكة البايزية هي رسم بياني موجه بدون دورات (DAG) تُستخدم لتمثيل العلاقات السببية، حيث تقوم بتقسيم الاحتمال المشترك للسلاسل إلى جداء احتمالات شرطية سهلة الحساب. نُطلق على هذا النهج المُعزز بالرسم البياني، والذي يعتمد على التدفقات القياسية، اسم GANF (Graph-Augmented Normalizing Flow)، ونُقترح تقديرًا مشتركًا للرسم البياني (DAG) مع معلمات التدفق. أجرينا تجارب واسعة على مجموعات بيانات حقيقية وأظهرنا فعالية GANF في تقدير الكثافة، وكشف الانحرافات، وتحديد انزياح توزيع السلاسل الزمنية.