時系列モデリングの多くの応用において、不規則なサンプリングが生じ、標準的な深層学習モデルにとって大きな課題となる。本研究は、電子カルテに記録された生理時系列データの分析に由来しており、これらのデータは疎であり、不規則にサンプリングされており、多変量である。本論文では、このような状況に対応するため、新しい深層学習フレームワークである「マルチタイムアテンションネットワーク（Multi-Time Attention Networks）」を提案する。マルチタイムアテンションネットワークは、連続時間における値の埋め込み（embedding）を学習し、アテンション機構を用いて観測数が可変な時系列データから固定長の表現を生成する。複数のデータセットを用いた補間および分類タスクにおいて、このフレームワークの性能を検証した。その結果、提案手法は、複数のベースラインモデルおよび最近提案された手法と比較しても同等または優れた性能を発揮する一方で、現在の最先端手法と比べて著しく高速な学習時間を実現したことが明らかになった。