La detección de anomalías en grafos tiene como objetivo identificar patrones o estructuras inusuales en datos estructurados en forma de grafo. La mayoría de las investigaciones existentes se centran en nodos anómalos en grafos ordinarios con relaciones de pares. Sin embargo, los sistemas del mundo real a menudo involucran relaciones que van más allá de las relaciones de pares, y se presta poca atención a la detección de anomalías en hipergrafos, especialmente en la detección de hiperarcos anómalos. Algunos métodos existentes para investigar hipergrafos implican la transformación de hipergrafos en grafos ordinarios para el aprendizaje, lo que puede resultar en un bajo rendimiento de detección debido a la pérdida de información de alto orden. Proponemos un nuevo método para la Detección Anómala de Hiperarcos en la Expansión de Línea Simétrica (AHD-SLE). El SLE de un hipergrafo es un grafo ordinario con relaciones de pares y puede ser mapeado de vuelta al hipergrafo, por lo que el SLE es capaz de preservar la información de orden superior del hipergrafo. El AHD-SLE primero mapea el hipergrafo al SLE; luego, la información se agrega mediante Redes Convolucionales de Grafos (GCNs) en el SLE. Después de eso, se obtiene la representación de incrustación del hiperarco a través de una operación de mapeo inverso. Finalmente, se diseña una función de anomalía para detectar hiperarcos anómalos utilizando la representación de incrustación del hiperarco. Los experimentos en cinco tipos diferentes de conjuntos de datos de hipergrafos reales muestran que AHD-SLE supera al algoritmo base en términos de Área Bajo la Curva Característica de Operación del Receptor (AUC) y métricas de Recuperación.