Trotz der herausragenden Erfolge tiefer neuronaler Netzwerke sind viele Architekturen oft schwer auf unregelmäßig abgetastete und asynchrone Zeitreihen übertragbar, wie sie in realen Datensätzen – insbesondere in Gesundheitsanwendungen – häufig auftreten. In diesem Artikel wird ein neuartiger Ansatz zur Klassifikation unregelmäßig abgetasteter Zeitreihen mit nicht ausgerichteten Messungen vorgestellt, der sich durch hohe Skalierbarkeit und dateneffiziente Verarbeitung auszeichnet. Unser Verfahren SeFT (Set Functions for Time Series) basiert auf neuesten Fortschritten im Bereich der differenzierbaren Mengenfunktionslernen, ist äußerst parallelisierbar und weist einen günstigen Speicherverbrauch auf, wodurch es sich hervorragend für große Datensätze langer Zeitreihen sowie für Online-Monitoring-Szenarien eignet. Darüber hinaus ermöglicht unser Ansatz die Quantifizierung des Beitrags einzelner Beobachtungen zum Klassifikationsergebnis. Wir vergleichen unsere Methode umfassend mit bestehenden Algorithmen an mehreren Gesundheitszeitreihendatensätzen und zeigen, dass sie wettbewerbsfähig abschneidet, während sie die Laufzeit erheblich reduziert.