異常検出は、多様なデータタイプに対して広く研究されているタスクであり、特に電力網や交通網など、複数の時系列データが頻繁に現れる応用分野において重要である。しかし、複数の時系列に対する異常検出は、構成される時系列間の複雑な依存関係のため、困難な課題である。本研究では、異常が分布の低密度領域に発生すると仮定し、密度推定の精度が優れていることから、ノーマライジングフロー（normalizing flows）を用いた教師なし異常検出の可能性を検討する。さらに、構成される時系列間にベイジアンネットワークを導入することで、新たなフローモデルを提案する。ベイジアンネットワークは、因果関係をモデル化する有向非巡回グラフ（DAG）であり、時系列の同時確率を計算しやすい条件付き確率の積に分解する。このようなグラフ拡張型ノーマライジングフローをGANF（Graph-augmented Normalizing Flow）と呼ぶ。本研究では、DAGとフローのパラメータを同時に推定する手法を提案する。実世界のデータセットを用いた広範な実験により、GANFが密度推定、異常検出、時系列分布のドリフト同定において有効であることを示した。