تُنتج السلاسل الزمنية بشكل مستمر وبكميات ضخمة من قبل المعدات الصناعية والأجهزة القابلة للارتداء والشبكات الكهربائية والمراقبات السريرية. ومع ذلك، يبقى التوصيف عملية يدوية، مكلفة وتعتمد على الخبراء. لذلك، لا تكمن العقبة الرئيسية في تحليل السلاسل الزمنية الواسعة في حجم البيانات، بل في حجم التوصيف.

في أبحاثهم الجديدة، يسلط العلماء الضوء على النمط الجديد من نماذج التعلم العميق، OSSE-LSTM، والذي يحتل الصدارة في حل هذه المشكلة. يتميز النموذج بمفهوم التعلم المتسلسل المزدوج الذي يدمج شبكة CNN ذات نطاق واسع (Omni-Scale CNN) مع تكنولوجيا إعادة المعايرة، مما يسمح باستخراج أنماط متعددة المقاييس دون الحاجة إلى تعديل النواة لكل مجموعة بيانات.

تتضمن آلية النموذج أيضًا استخدام شبكة LSTM ثنائية الاتجاه (Bidirectional LSTM) لتوفير سياق زمني عالمي، حيث تُدمج هذين المكونين بشكل مستقل لتشكيل تمثيلات موجهة نحو النماذج.

ولأن القرارات المستندة إلى عدد قليل من التسميات يجب أن تكون قابلة للتفسير، يتم تقديم تقنية جديدة تُعرف باسم تأثيرات مضادة متكاملة (Counterfactual Integrated Gradients - C-IG). هذه التقنية تساعد في تحديد الفرق بين الفئات المستهدفة والفئات المقابلة، مما يُعيد استخدام الخرائط الناتجة كأقنعة ناعمة لتحسين النماذج دون الحاجة لتحديث المشفر.

عند اختبار النموذج على 19 مجموعة بيانات UCR، حقق OSSE-LSTM أعلى دقة متوسطة وأداء مُتميز في جميع الأحجام المطلوبة، حيث بقيت دقته ضمن نطاق ضيق (تتراوح بين 96.36% و 96.72%). حتى أدنى تكوين له تخطى أفضل النتائج التي حققتها النماذج المقارنة في أي حجم محدد، ما أثبت فعالية هذا النموذج في التحديات الحديثة.