초록
시간 시리즈 모델링 응용 분야에서 불규칙 샘플링은 흔히 발생하는 현상이며, 이는 전통적인 딥러닝 모델에 있어 중요한 도전 과제를 제기한다. 본 연구는 전자 건강 기록(electronic health records) 내 생리학적 시간 시리즈 데이터를 분석함에 따라 시작되었다. 이러한 데이터는 희소성과 불규칙한 샘플링, 다변량 특성을 동시에 가지며, 전통적인 모델의 적용에 어려움을 초래한다. 본 논문에서는 이러한 환경을 고려하여 새로운 딥러닝 프레임워크를 제안한다. 이 프레임워크를 '다중 시간 주의(Multi-Time Attention) 네트워크'라 명명한다. 다중 시간 주의 네트워크는 연속 시간 값에 대한 임베딩을 학습하고, 주의(attention) 메커니즘을 활용하여 관측 수가 변하는 시간 시리즈에 대해 고정 길이의 표현을 생성한다. 다양한 데이터셋을 활용하여 보간(interpolation) 및 분류(classification) 작업에서 본 프레임워크의 성능을 평가하였다. 실험 결과, 제안된 방법은 여러 기준 모델 및 최근 제안된 모델들과 비교해 동등하거나 우수한 성능을 보였으며, 동시에 현재 최상의 기법들보다 훨씬 빠른 학습 속도를 제공함을 확인하였다.