Fonctions d'ensemble pour les séries temporelles

Malgré les succès remarquables des réseaux de neurones profonds, de nombreuses architectures s'avèrent difficiles à appliquer aux séries temporelles irrégulièrement échantillonnées et asynchrones, courantes dans les jeux de données du monde réel, notamment dans les applications de santé. Ce papier propose une nouvelle approche pour la classification des séries temporelles irrégulièrement échantillonnées avec des mesures non alignées, en mettant l’accent sur une grande évolutivité et une efficacité élevée en données. Notre méthode, SeFT (Set Functions for Time Series), s’appuie sur les avancées récentes en apprentissage de fonctions différentiables sur les ensembles, est extrêmement parallélisable et présente un empreinte mémoire avantageuse, ce qui lui permet de bien échelonner sur de grands jeux de données composés de séries temporelles longues ainsi que dans des scénarios de surveillance en temps réel. En outre, notre approche permet de quantifier la contribution de chaque observation au résultat de classification. Nous comparons largement notre méthode avec des algorithmes existants sur plusieurs jeux de données de séries temporelles en santé, et démontrons qu’elle se distingue par une performance compétitive tout en réduisant de manière significative le temps d’exécution.