시계열을 위한 집합 함수

딥 신경망의 높은 성공 사례에도 불구하고, 많은 아키텍처는 실제 데이터셋, 특히 의료 분야에서 흔히 발생하는 비정규 샘플링 및 비동기 시간 시계열 데이터에 쉽게 적용되기 어렵다. 본 논문은 측정값이 정렬되지 않은 비정규 샘플링 시간 시계열을 분류하기 위한 새로운 접근법을 제안하며, 높은 확장성과 데이터 효율성을 중시한다. 제안하는 방법인 SeFT(Set Functions for Time Series)는 최근 개발된 미분 가능한 집합 함수 학습 기술에 기반하여, 매우 병렬 처리가 가능하고 메모리 사용량이 적어 긴 시간 시계열의 대규모 데이터셋과 온라인 모니터링 환경에서도 잘 스케일링된다. 또한 본 방법은 각 관측치가 분류 결과에 기여하는 정도를 정량화할 수 있는 장점을 갖는다. 우리는 여러 의료 분야의 시간 시계열 데이터셋을 대상으로 기존 알고리즘과 광범위하게 비교하여, 경쟁력 있는 성능을 보이면서도 실행 시간을 크게 단축함을 입증하였다.