La détection d'anomalies dans les séries temporelles (TSAD) est essentielle pour la surveillance en temps réel des services cloud et des systèmes web, permettant une identification rapide des anomalies afin d'éviter des pannes coûteuses. La plupart des méthodes de TSAD basées sur des modèles de prévision ont tendance à surajuster en mettant l'accent sur de légères fluctuations. Notre analyse montre que pour être efficace, la TSAD devrait se concentrer sur la modélisation du comportement « normal » à travers des motifs locaux lisses. Pour atteindre cet objectif, nous reformulons la modélisation des séries temporelles comme une approximation de la série par des fonctions univariées lisses. La lissité locale de chaque fonction univariée garantit que la série temporelle ajustée reste résiliente face aux perturbations locales. Cependant, une implémentation directe de KAN s'avère vulnérable à ces perturbations en raison des caractéristiques intrinsèquement localisées des fonctions B-spline. Nous proposons donc KAN-AD, qui remplace les B-splines par des développements de Fourier tronqués et introduit un nouveau mécanisme d'apprentissage léger qui met l'accent sur les motifs globaux tout en restant robuste aux perturbations locales. Sur quatre benchmarks populaires de TSAD, KAN-AD réalise une amélioration moyenne de 15 % en précision de détection (avec des pics dépassant 27 %) par rapport aux méthodes de référence les plus avancées. De manière remarquable, il nécessite moins de 1 000 paramètres entraînables, ce qui entraîne une vitesse d'inférence 50 % plus rapide que le KAN original, démontrant ainsi l'efficacité et la viabilité pratique de cette approche.