要約
深層ニューラルネットワークの顕著な成功にもかかわらず、実世界のデータセット、特に医療分野における応用でよく見られる不規則なサンプリングおよび非同期時系列データへのアーキテクチャの適用は、依然として困難である。本稿では、測定時刻が一致しない不規則なサンプリング時系列の分類を対象とし、高いスケーラビリティとデータ効率性を重視した新しいアプローチを提案する。本手法であるSeFT（Set Functions for Time Series）は、微分可能な集合関数学習の最近の進展に基づいており、非常に並列処理が可能であり、メモリ使用量も効率的であるため、長時間の時系列データの大規模データセットやオンライン監視の場面においても良好なスケーラビリティを発揮する。さらに、本手法は各観測値が分類結果に与える寄与度を定量的に評価することを可能にする。複数の医療分野における時系列データセットを用いた広範な比較実験により、既存のアルゴリズムと比較して競争力のある性能を示すとともに、実行時間の大幅な削減を実証した。