다변량 시계열 데이터(Multivariate Time Series, MTS)는 시간에 따라 여러 개의 상호 연결된 센서가 데이터를 기록할 때 발생합니다. 이 고차원 데이터를 처리하는 것은 모든 분류기에 대해 적어도 두 가지 측면에서 도전적입니다: 첫째, MTS는 개별 특성 값뿐만 아니라 다른 차원에서의 특성 간 상호 작용으로 특징지어집니다. 둘째, 이는 일반적으로 대량의 무관한 데이터와 노이즈를 추가합니다. 우리는 이러한 두 가지 문제를 해결하는 새로운 MTS 분류기인 WEASEL+MUSE를 소개합니다.WEASEL+MUSE는 각 MTS 차원에 슬라이딩 윈도우 접근법을 적용하여 다변량 특성 벡터를 구축하고, 이후 각 윈도우와 차원별로 이산 특성을 추출합니다. 이렇게 추출된 특성 벡터는 비차별적인 특성을 제거하기 위해 특성 선택 과정을 거치고, 머신 러닝 분류기를 통해 분석됩니다. WEASEL+MUSE의 혁신성은 MTS에서 다변량 특성을 추출하고 필터링하는 특정 방법에 있으며, 이 방법은 각 특성에 컨텍스트 정보를 인코딩함으로써 이루어집니다. 결과적으로 생성된 특성 집합은 작지만 매우 차별화되고 MTS 분류에 유용합니다.20개의 MTS 데이터셋을 사용한 인기 있는 벤치마크 기반으로, 우리는 WEASEL+MUSE가 최신 기술과 비교해 가장 정확한 분류기 중 하나임을 확인했습니다. 또한 움직임 제스처 인식 데이터를 기반으로 한 실험에서는 WEASEL+MUSE가 도메인 전문적인 방법들과 유사한 정확도를 달성하였으며, 이는 그 뛰어난 견고성을 더욱 입증하였습니다.