Die Anomalieerkennung in Zeitreihen ist für industrielle Überwachung und Umweltsensing von entscheidender Bedeutung, doch die Unterscheidung von Anomalien und komplexen Mustern bleibt herausfordernd. Bestehende Ansätze wie der Anomaly Transformer und DCdetector haben Fortschritte erzielt, stoßen jedoch auf Einschränkungen, wie z. B. eine hohe Empfindlichkeit gegenüber kurzfristigen Kontexten und eine geringe Effizienz in rauschbehafteten, nicht-stationären Umgebungen.Um diese Probleme zu überwinden, stellen wir MAAT vor – eine verbesserte Architektur, die die Modellierung von Assoziationsdiskrepanzen und die Rekonstruktionsqualität signifikant steigert. MAAT verfügt über Sparse Attention, das langfristige Abhängigkeiten effizient erfasst, indem es sich auf relevante Zeitpunkte konzentriert und dadurch rechnerische Redundanzen verringert. Zudem wird ein Mamba-Selective State Space Model in das Rekonstruktionsmodul integriert, welches eine Skip-Verbindung und Gated Attention nutzt, um die Lokalisierung und Detektion von Anomalien zu verbessern.Ausführliche Experimente zeigen, dass MAAT bestehende Methoden erheblich übertrifft und eine bessere Unterscheidbarkeit von Anomalien sowie eine verbesserte Generalisierbarkeit in verschiedenen Anwendungen von Zeitreihen erreicht. Damit setzt MAAT eine neue Benchmark für die unüberwachte Anomalieerkennung in Zeitreihen in realen Szenarien.