La détection d’anomalies dans les séries temporelles est essentielle pour la surveillance industrielle et la perception environnementale, mais la distinction entre anomalies et motifs complexes demeure un défi. Bien que des méthodes existantes telles que l’Anomaly Transformer et DCdetector aient progressé, elles souffrent de limitations telles qu’une sensibilité accrue aux contextes à court terme et une inefficacité dans des environnements bruyants et non stationnaires.Pour surmonter ces limitations, nous proposons MAAT, une architecture améliorée qui renforce le modèle de discrépance d’association et la qualité de reconstruction. MAAT intègre une attention éparse, permettant de capturer efficacement les dépendances à longue portée en se concentrant sur les instants temporels pertinents, réduisant ainsi les redondances computationnelles. Par ailleurs, un modèle d’espace d’état sélectif Mamba est intégré au module de reconstruction, utilisant une connexion en saut (skip connection) et une attention à portes afin d’améliorer la localisation et la détection des anomalies.Des expérimentations approfondies montrent que MAAT surpasse significativement les méthodes antérieures, offrant une meilleure discriminabilité des anomalies et une meilleure généralisation dans diverses applications de séries temporelles, établissant ainsi une nouvelle référence pour la détection d’anomalies non supervisée dans les séries temporelles en situation réelle.