La détection et le diagnostic efficaces des anomalies dans les séries temporelles multivariées sont d’une importance capitale pour les applications industrielles modernes. Toutefois, concevoir un système capable de localiser rapidement et précisément les observations anormales reste un défi majeur. Cela s’explique par l’absence de labels d’anomalies, la forte volatilité des données ainsi que les exigences de temps d’inférence ultrabrefs dans les applications actuelles. Malgré les progrès récents des approches basées sur l’apprentissage profond pour la détection des anomalies, seules quelques-unes parviennent à relever l’ensemble de ces défis. Dans cet article, nous proposons TranAD, un modèle de détection et de diagnostic des anomalies basé sur un réseau transformer profond, qui utilise des encodeurs de séquence à attention pour effectuer des inférences rapides en exploitant les tendances temporelles globales présentes dans les données. TranAD intègre une auto-conditionnement fondé sur un score de focus afin de permettre une extraction robuste de caractéristiques multi-modales, ainsi qu’un entraînement adversarial pour assurer une stabilité accrue. En outre, l’apprentissage métasur le modèle (MAML) nous permet d’entraîner le modèle avec des données limitées. Des études empiriques étendues menées sur six jeux de données publics démontrent que TranAD surpasser les méthodes de référence les plus avancées en termes de performance de détection et de diagnostic, tout en offrant un entraînement plus efficace en termes de données et de temps. Plus précisément, TranAD améliore les scores F1 jusqu’à 17 %, tout en réduisant les temps d’entraînement jusqu’à 99 % par rapport aux méthodes de référence.