摘要

尽管深度神经网络取得了显著成功，但许多现有架构在处理现实世界数据集中常见的非规则采样与异步时间序列时仍面临挑战，尤其是在医疗健康应用中。本文提出了一种新型方法，用于对非规则采样且测量时间未对齐的时间序列进行分类，重点兼顾高可扩展性与数据高效性。所提出的SeFT（Time Series的集合函数，Set Functions for Time Series）方法基于可微集合函数学习的最新进展，具有极强的并行性，且内存开销小，因此能够高效扩展至长序列的大型数据集以及在线监测场景。此外，该方法还支持量化每个观测值对分类结果的贡献程度。我们在多个医疗时间序列数据集上对所提方法与现有算法进行了广泛对比，结果表明，SeFT在分类性能上表现优异，同时显著降低了运行时间。