Ungleichmäßige Abtastung tritt in vielen Anwendungen der Zeitreihenmodellierung auf und stellt eine erhebliche Herausforderung für herkömmliche tiefen Lernmodelle dar. Diese Arbeit wird durch die Analyse physiologischer Zeitreihendaten in elektronischen Gesundheitsakten motiviert, die spärlich, unregelmäßig abgetastet und multivariat sind. In diesem Artikel stellen wir einen neuen tiefen Lernrahmen für diesen Anwendungsbereich vor, den wir Multi-Time Attention Networks nennen. Multi-Time Attention Networks lernen eine Einbettung kontinuierlicher Zeitwerte und nutzen eine Aufmerksamkeitsmechanik, um eine feste Länge repräsentierende Darstellung einer Zeitreihe zu erzeugen, die eine variable Anzahl von Beobachtungen enthält. Wir untersuchen die Leistungsfähigkeit dieses Rahmens bei Interpolations- und Klassifizierungsaufgaben anhand mehrerer Datensätze. Unsere Ergebnisse zeigen, dass der vorgeschlagene Ansatz entweder gleich gut oder besser abschneidet als eine Reihe von Baseline- und kürzlich vorgeschlagenen Modellen, während er gleichzeitig deutlich kürzere Trainingszeiten im Vergleich zu aktuellen State-of-the-Art-Methoden bietet.