Los eventos multi-anormales, que se refieren a la ocurrencia simultánea de múltiples eventos anormales individuales en una planta de energía nuclear, no han sido objeto de consideración porque los eventos multi-anormales son extremadamente improbables y, de hecho, aún no han ocurrido. Sin embargo, tales eventos serían más difíciles de diagnosticar que los eventos anormales individuales generales, lo que agrava el problema del error humano. Este estudio presenta un modelo de diagnóstico de anormalidades eficiente que cubre el diagnóstico de multi-anomalías utilizando un clasificador uno contra el resto y lo compara con otros modelos de inteligencia artificial. El modelo de diagnóstico de atención a multi-anomalías aborda problemas de clasificación de múltiples etiquetas, para los cuales se proponen dos métodos. Primero, se introduce un método para agrupar de manera efectiva eventos anormales individuales y multi-anormales basado en la distribución de probabilidad predicha de cada evento anormal. En segundo lugar, se emplea un clasificador uno contra el resto con alta precisión como una forma eficiente de obtener conocimiento sobre cuáles eventos multi-anormales son los más difíciles de diagnosticar y, por lo tanto, requieren más atención para mejorar el rendimiento de clasificación de múltiples etiquetas en términos de uso de datos. El modelo de diagnóstico de atención a multi-anomalías desarrollado puede reducir los errores humanos de los operadores debido a la información excesiva y el tiempo limitado cuando ocurren eventos multi-anormales inesperados, proporcionando resultados de diagnóstico como parte de un sistema de apoyo al operador.