La détection d’anomalies (AD) joue un rôle fondamental dans de nombreux domaines d’applications critiques pour la sécurité. Le défi consistant à adapter un détecteur d’anomalies aux variations de la distribution des données normales, en particulier lorsque aucune donnée d’entraînement n’est disponible pour le « nouveau normal », a conduit au développement de techniques de détection d’anomalies zéro-shot. Dans cet article, nous proposons une méthode simple mais efficace, appelée Adaptive Centered Representations (ACR), pour la détection d’anomalies zéro-shot au niveau des lots (batch-level). Notre approche entraîne des détecteurs d’anomalies profonds standards (tels que deep SVDD) afin qu’ils s’adaptent à un ensemble de distributions de données d’entraînement interconnectées, en combinant la normalisation par lots (batch normalization), ce qui permet une généralisation zéro-shot automatique pour des tâches d’AD inédites. Cette recette simple — normalisation par lots combinée à un entraînement métadonnées — s’avère être un outil hautement efficace et polyvalent. Nos résultats théoriques garantissent la généralisation zéro-shot pour des tâches d’AD inconnues ; nos résultats expérimentaux démontrent les premiers résultats de détection d’anomalies zéro-shot sur des données tabulaires, tout en surpassant les méthodes existantes dans le domaine de la détection d’anomalies et de la segmentation sur des données d’images provenant de domaines spécialisés. Le code est disponible à l’adresse suivante : https://github.com/aodongli/zero-shot-ad-via-batch-norm