Cet article propose d'utiliser des caractéristiques d'ensemble pour détecter les anomalies dans des échantillons composés de combinaisons inhabituelles d'éléments normaux. De nombreuses méthodes de pointe identifient les anomalies en repérant une partie inhabituelle d’un échantillon. Par exemple, les approches basées sur la segmentation d’avant-garde classifient d’abord chaque élément de l’échantillon (par exemple, un patch d’image) comme normal ou anormal, puis classifient l’échantillon entier comme anormal s’il contient au moins un élément anormal. Toutefois, de telles approches ne se généralisent pas efficacement aux scénarios où les anomalies se manifestent par une combinaison inhabituelle d’éléments normaux. Dans cet article, nous surmontons cette limitation en proposant des caractéristiques d’ensemble, qui modélisent chaque échantillon par la distribution de ses éléments. Nous calculons le score d’anomalie de chaque échantillon à l’aide d’une méthode simple d’estimation de densité, en utilisant des caractéristiques fixes. Notre approche surpasser les méthodes de pointe précédentes dans la détection d’anomalies logiques au niveau des images et dans la détection d’anomalies au niveau des séries temporelles.