音響イベント検出（SED）手法において、大規模な事前学習済みトランスフォーマーエンコーダネットワークを活用することで、最近のDCASEチャレンジで有望な性能が示されています。しかし、時間依存性をモデル化するために依然としてRNNベースのコンテキストネットワークに依存しており、これは主にラベル付きデータの不足によるものです。本研究では、マスク再構築に基づく事前学習を行う純粋なトランスフォーマー基盤のSEDモデルであるMAT-SEDを提案します。具体的には、相対位置エンコーディングを持つトランスフォーマーをまずコンテキストネットワークとして設計し、自己監督的な方法で利用可能なすべてのターゲットデータに対してマスク再構築タスクにより事前学習を行います。エンコーダとコンテキストネットワークは半教師ありの方法で共同ファインチューニングされます。さらに、グローバル-ローカル特徴量融合戦略を提案し、位置特定能力を向上させます。MAT-SEDのDCASE2023タスク4における評価は最新の最先端性能を超え、それぞれPSDS1/PSDS2で0.587/0.896という結果を達成しました。