Réseaux d'attention à multiples instants pour séries temporelles échantillonnées de manière irrégulière

L’échantillonnage irrégulier se produit dans de nombreuses applications de modélisation de séries temporelles, où il constitue un défi important pour les modèles d’apprentissage profond classiques. Ce travail s’inspire de l’analyse de données de séries temporelles physiologiques issues des dossiers de santé électroniques, qui sont caractérisées par une faible densité, un échantillonnage irrégulier et une nature multivariée. Dans cet article, nous proposons un nouveau cadre d’apprentissage profond adapté à ce contexte, que nous appelons Multi-Time Attention Networks (MTAN). Les MTAN apprennent une représentation d’encodage des valeurs en temps continu et utilisent un mécanisme d’attention afin de produire une représentation de longueur fixe pour une série temporelle comportant un nombre variable d’observations. Nous évaluons les performances de ce cadre sur des tâches d’interpolation et de classification à l’aide de plusieurs jeux de données. Nos résultats montrent que l’approche proposée se compare avantageusement à une gamme de modèles de référence ainsi qu’à des méthodes récemment proposées, tout en offrant des temps d’entraînement significativement plus rapides que les méthodes de pointe actuelles.