시계열 분석은 시간 순서로 정렬된 수치 값의 시퀀스를 분석하는 데 관심을 갖는 데이터 과학의 한 분야이다. 시계열 데이터는 프로세스의 시간에 따른 변화를 시각화하고 이해할 수 있게 해주기 때문에 특히 흥미로운 특성을 지닌다. 이러한 데이터의 분석을 통해 데이터 내에서의 추세, 관계 및 유사성을 파악할 수 있다. 시계열 형태의 데이터를 포함하는 분야는 매우 다양하며, 예를 들어 의료 분야(심전도, 혈당 수치 등), 행동 인식, 원격 탐사, 금융(주식 시세), 산업 분야(센서 데이터) 등이 있다. 시계열 분류는 시계열 데이터를 자동으로 레이블링하기 위해 전용 알고리즘을 개발하는 작업을 의미한다. 시계열 데이터의 시계열적 특성은 기존의 전통적인 표 형식 데이터를 대상으로 한 머신러닝 모델이 이를 효과적으로 처리하기 어려우며, 따라서 시계열 데이터 분류 문제를 해결하기 위해 시계열 특성을 적절히 활용할 수 있는 전용 알고리즘의 개발이 필수적이다. 최근 몇 년간 딥러닝은 특히 컴퓨터 비전 분야에서 강력한 성능을 보이며, 지도 학습 기반의 시계열 분류 문제 해결을 위한 가장 효과적인 방법 중 하나로 부상하였다. 본 논문의 주요 목적은 시계열 데이터 분류에 특화된 딥 신경망을 연구하고 개발하는 것이었다. 이를 위해 기존의 딥러닝 기법들을 대규모로 실험적으로 비교할 수 있는 최초의 종합적인 연구를 수행하였으며, 이는 비딥러닝 기반의 최신 기법들과의 성능 비교를 통해 기존 기법들의 위치를 명확히 할 수 있도록 하였다. 이후 우리는 전이 학습(transfer learning), 데이터 증강(data augmentation), 앙상블(ensembling), 그리고 적대적 공격(adversarial attacks)과 같은 다양한 분야에서 중요한 기여를 하였다. 마지막으로, 구글에서 개발한 유명한 Inception 아키텍처를 기반으로 한 새로운 네트워크 구조를 제안하였으며, 이는 현재까지 개발된 방법들 중 가장 효율적인 성능을 기록하고 있다.