Cet article introduit OracleAD, un cadre non supervisé pour la détection d'anomalies dans les séries temporelles multivariées. OracleAD encode chaque variable passée dans un embedding causal pour prédire le présent et reconstruire la fenêtre d'entrée, modélisant ainsi les dynamiques temporelles. Ces embeddings subissent un mécanisme d'auto-attention pour capturer les relations spatiales dans un espace latent partagé, relations qui ne sont pas statiques mais émergent des dynamiques temporelles de chaque variable. Les embeddings projetés sont alignés sur une Structure Latente Stable (SLS) représentant les relations en état normal. Les anomalies sont identifiées par un mécanisme de double notation basé sur l'erreur de prédiction et la déviation de la SLS, permettant un diagnostic fin des anomalies à chaque point temporel et pour chaque variable individuelle. OracleAD atteint des résultats de pointe sur plusieurs ensembles de données réelles et protocoles d'évaluation, tout en restant interprétable grâce à la SLS. OracleAD est particulièrement efficace pour identifier les variables à l'origine des anomalies, car toute déviation notable de la SLS provient d'embeddings qui violent la causalité temporelle apprise des données normales. Cette approche permet non seulement de détecter les anomalies mais aussi de les expliquer, ce qui est crucial pour les applications réelles où la compréhension des causes des anomalies est aussi importante que leur détection. Les auteurs démontrent l'efficacité de leur méthode sur plusieurs jeux de données réelles et protocoles d'évaluation, soulignant son potentiel pour des applications pratiques dans divers domaines. La méthode proposée offre une solution robuste et interprétable pour la détection d'anomalies, ce qui est essentiel pour les systèmes critiques où la transparence et la compréhension des résultats sont primordiales.