La détection d’anomalies est une tâche largement étudiée pour une grande variété de types de données ; parmi ceux-ci, les séries temporelles multiples apparaissent fréquemment dans les applications, telles que les réseaux électriques ou les réseaux de transport. Cependant, la détection d’anomalies dans les séries temporelles multiples constitue un sujet difficile, en raison des dépendances complexes entre les séries constitutives. Nous supposons que les anomalies se produisent dans des régions à faible densité d’une distribution, et nous explorons l’utilisation des flows de normalisation pour la détection d’anomalies non supervisée, en raison de leur excellente capacité d’estimation de densité. En outre, nous proposons un nouveau modèle de flow en imposant un réseau bayésien entre les séries constitutives. Un réseau bayésien est un graphe acyclique orienté qui modélise des relations causales ; il factorise la probabilité conjointe des séries en un produit de probabilités conditionnelles faciles à évaluer. Nous appelons cette approche, basée sur un flux de normalisation enrichi par un graphe, GANF (Graph-Augmented Normalizing Flow), et proposons une estimation conjointe du graphe acyclique orienté (DAG) et des paramètres du flow. Nous menons des expériences approfondies sur des jeux de données du monde réel et démontrons l’efficacité de GANF pour l’estimation de densité, la détection d’anomalies et l’identification du décalage de distribution des séries temporelles.