على الرغم من النجاحات البارزة للشبكات العصبية العميقة، فإن العديد من الهياكل المعمارية غالبًا ما تكون صعبة النقل إلى السلاسل الزمنية غير المنتظمة والمتزامنة، والتي تحدث بشكل شائع في مجموعات البيانات الواقعية، خصوصًا في التطبيقات الصحية. يقترح هذا البحث منهجية جديدة لتصنيف السلاسل الزمنية غير المنتظمة ذات القياسات غير المتناظرة، مع التركيز على التوسع الكبير وكفاءة البيانات. تعتمد طريقتنا SeFT (وظائف المجموعة للسلاسل الزمنية) على التطورات الحديثة في تعلم وظائف المجموعة القابلة للتفاضل، وهي قابلة للتوسيع بشكل كبير وتتميز بحجم ذاكرة مفيد، مما يسمح بتوسيعها بكفاءة على مجموعات بيانات كبيرة من السلاسل الزمنية الطويلة وسياقات المراقبة في الوقت الفعلي. علاوةً على ذلك، تتيح طريقتنا قياس مساهمة كل ملاحظة في النتيجة النهائية للتصنيف. قمنا بمقارنة واسعة لطريقتنا مع الخوارزميات الحالية على عدة مجموعات بيانات سلاسل زمنية صحية، وأظهرنا أن أداءها منافس، مع تقليل كبير في زمن التشغيل.