# TSPulse Ekambaram et al.(IBM Research、ICLR 2026)が提案した、時間領域と周波数領域の両方でのマスク再構成を時間的・スペクトル的・意味的の3ビューへ明示的にdisentangleして学習する超軽量(約1Mパラメータ)な時系列基盤モデル群(原論文: [[@2026__ICLR__TSPulse - Tiny Pre-Trained Models with Disentangled Representations for Rapid Time-Series Analysis]]、arXiv:2505.13033)。Transformerではなく軽量TSMixerバックボーンを採用し、分類向けpost-hocフューザーTSLens・異常検知向けMulti-Head Triangulationにより、10〜100倍大きい既存モデルを75以上のデータセットで上回る(TSB-AD異常検知+20%、類似検索+25%、補完+50%、多変量分類+5〜16%)。IBM Graniteの公式リポジトリ`granite-tsfm`で公開されている。 感度分析(合成正弦波データ)では、時間埋め込み(1536次元)が位相/時間シフトに高感度(歪み130%)である一方、意味埋め込み(レジスタトークン、256次元)は欠損・ノイズ・位相シフトいずれにも最も頑健(歪み4.6〜12%)であり、disentanglementが実際に成立していることを定量的に確認した。(Source: [[@2026__ICLR__TSPulse - Tiny Pre-Trained Models with Disentangled Representations for Rapid Time-Series Analysis]]) [[@2026__ICPE Companion__Leveraging Time Series Foundation Models to Detect Performance Anomalies in Software Systems]]では、異常検知タスク向けのバリアント(prediction modeパラメータで時間・周波数再構成を含める設定)をゼロショットでソフトウェア性能異常検知に適用し、AIOPSデータセットでARを上回るF1_bestを達成した一方、MSCloudデータセットでは安定した検知に必要な最低約1,500データ点を満たす系列が少なく評価から除外された。推論レイテンシは評価対象モデル中で最大(約3ミリ秒/データ点)だった。 ## 関連 - [[時系列基盤モデル]]・[[異常検知]]・[[IBM Research]]