كشف الانحرافات في السلاسل الزمنية أمر ضروري لمراقبة العمليات الصناعية والاستشعار البيئي، ومع ذلك يظل التمييز بين الانحرافات والأنماط المعقدة تحديًا كبيرًا. وعلى الرغم من التقدم المحرز من خلال الطرق الحالية مثل Anomaly Transformer وDCdetector، إلا أنها تواجه قيودًا مثل الحساسية تجاه السياقات قصيرة المدى وعدم الكفاءة في البيئات الضوضائية وغير الثابتة.لتجاوز هذه المشكلات، نقدم MAAT، وهي بنية محسّنة تُعزز نمذجة الفجوة في الارتباط وتحسين جودة إعادة البناء. تتميز MAAT باستعمال الانتباه النادر (Sparse Attention)، الذي يُمكّن من التقاط الاعتماديات الطويلة المدى من خلال التركيز على اللحظات الزمنية ذات الصلة، مما يقلل من الهدر الحسابي. علاوةً على ذلك، تم دمج نموذج الحالة المختارة Mamba-Selective State Space داخل وحدة إعادة البناء، باستخدام اتصالات تخطّية (skip connection) وانتباه مُتحكم (Gated Attention) لتحسين أداء تحديد موقع الانحرافات وكشفها.أظهرت التجارب الواسعة أن MAAT تتفوّق بشكل كبير على الطرق السابقة، حيث تحقق تمييزًا أفضل للانحرافات وتعميمًا أقوى عبر تطبيقات متعددة للسلاسل الزمنية، مما يُشكّل معيارًا جديدًا لكشف الانحرافات غير المُشرَّفة في السلاسل الزمنية في السياقات الواقعية.