Buchumschlag

An Interpretable Deep-Learning Framework for Predicting Hospital Readmissions From Electronic Health Records

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Azzalini, Fabio, Dolci, Tommaso, Vagaggini, Marco
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Enhancing AI Accessibility in Veterinary Medicine: Linking Classifiers and Electronic Health Records
von: Kong, Chun Yin, et al.
Veröffentlicht: (2024)

Towards System Modelling to Support Diseases Data Extraction from the Electronic Health Records for Physicians Research Activities
von: Alsaqer, Bushra F., et al.
Veröffentlicht: (2024)

EHR-RAGp: Retrieval-Augmented Prototype-Guided Foundation Model for Electronic Health Records
von: Shurrab, Saeed, et al.
Veröffentlicht: (2026)

Almanac Copilot: Towards Autonomous Electronic Health Record Navigation
von: Zakka, Cyril, et al.
Veröffentlicht: (2024)

MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation
von: Zhang, Zheyuan, et al.
Veröffentlicht: (2024)

MODRL-TA:A Multi-Objective Deep Reinforcement Learning Framework for Traffic Allocation in E-Commerce Search
von: Cheng, Peng, et al.
Veröffentlicht: (2024)

A Collaborative Ensemble Framework for CTR Prediction
von: Liu, Xiaolong, et al.
Veröffentlicht: (2024)

ContextGNN goes to Elliot: Towards Benchmarking Relational Deep Learning for Static Link Prediction (aka Personalized Item Recommendation)
von: Ariza-Casabona, Alejandro, et al.
Veröffentlicht: (2025)

Probability Distribution Learning and Its Application in Deep Learning
von: Qi, Binchuan, et al.
Veröffentlicht: (2024)

Enhancing Interpretability and Effectiveness in Recommendation with Numerical Features via Learning to Contrast the Counterfactual samples
von: Xu, Xiaoxiao, et al.
Veröffentlicht: (2025)

Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation
von: Xiao, Zhibo, et al.
Veröffentlicht: (2024)

Multi-Epoch learning with Data Augmentation for Deep Click-Through Rate Prediction
von: Fan, Zhongxiang, et al.
Veröffentlicht: (2024)

From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction
von: Yan, Bencheng, et al.
Veröffentlicht: (2025)

DeepMTL2R: A Library for Deep Multi-task Learning to Rank
von: Dong, Chaosheng, et al.
Veröffentlicht: (2026)

From Prompting to Alignment: A Generative Framework for Query Recommendation
von: Min, Erxue, et al.
Veröffentlicht: (2025)

Unified Low-rank Compression Framework for Click-through Rate Prediction
von: Yu, Hao, et al.
Veröffentlicht: (2024)

Enhancing Prediction Models with Reinforcement Learning
von: Radziszewski, Karol, et al.
Veröffentlicht: (2024)

Predict Click-Through Rates with Deep Interest Network Model in E-commerce Advertising
von: Zhou, Chang, et al.
Veröffentlicht: (2024)

RDSA: A Robust Deep Graph Clustering Framework via Dual Soft Assignment
von: Xiang, Yang, et al.
Veröffentlicht: (2024)

Causality-Aware Next Location Prediction Framework based on Human Mobility Stratification
von: Yang, Xiaojie, et al.
Veröffentlicht: (2025)

An Interpretable Alternative to Neural Representation Learning for Rating Prediction -- Transparent Latent Class Modeling of User Reviews
von: Serra, Giuseppe, et al.
Veröffentlicht: (2024)

Feature Staleness Aware Incremental Learning for CTR Prediction
von: Wang, Zhikai, et al.
Veröffentlicht: (2025)

OpenExtract: Automated Data Extraction for Systematic Reviews in Health
von: Achterberg, Jim, et al.
Veröffentlicht: (2026)

A Logical-Rule Autoencoder for Interpretable Recommendations
von: Pan, Jinhao, et al.
Veröffentlicht: (2026)

RPAF: A Reinforcement Prediction-Allocation Framework for Cache Allocation in Large-Scale Recommender Systems
von: Su, Shuo, et al.
Veröffentlicht: (2024)

Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning
von: Huang, Shuaishuai, et al.
Veröffentlicht: (2024)

Mutual Learning for Finetuning Click-Through Rate Prediction Models
von: Yilmaz, Ibrahim Can, et al.
Veröffentlicht: (2024)

OptDist: Learning Optimal Distribution for Customer Lifetime Value Prediction
von: Weng, Yunpeng, et al.
Veröffentlicht: (2024)

From Entity Reliability to Clean Feedback: An Entity-Aware Denoising Framework Beyond Interaction-Level Signals
von: Liu, Ze, et al.
Veröffentlicht: (2025)

IntentRec: Predicting User Session Intent with Hierarchical Multi-Task Learning
von: Oh, Sejoon, et al.
Veröffentlicht: (2024)

Decoding Dense Embeddings: Sparse Autoencoders for Interpreting and Discretizing Dense Retrieval
von: Park, Seongwan, et al.
Veröffentlicht: (2025)

Heuristic Learning with Graph Neural Networks: A Unified Framework for Link Prediction
von: Zhang, Juzheng, et al.
Veröffentlicht: (2024)

Interpretive Efficiency: Information-Geometric Foundations of Data Usefulness
von: Katende, Ronald
Veröffentlicht: (2025)

How Relevance Emerges: Interpreting LoRA Fine-Tuning in Reranking LLMs
von: Nijasure, Atharva, et al.
Veröffentlicht: (2025)

A Hybrid Machine Learning Approach for Graduate Admission Prediction and Combined University-Program Recommendation
von: Far, Melina Heidari, et al.
Veröffentlicht: (2026)

See Beyond a Single View: Multi-Attribution Learning Leads to Better Conversion Rate Prediction
von: Chen, Sishuo, et al.
Veröffentlicht: (2025)

MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation
von: Tong, Junxiong, et al.
Veröffentlicht: (2024)

Learned Ranking Function: From Short-term Behavior Predictions to Long-term User Satisfaction
von: Wu, Yi, et al.
Veröffentlicht: (2024)

MixEHR-Nest: Identifying Subphenotypes within Electronic Health Records through Hierarchical Guided-Topic Modeling
von: Wang, Ruohan, et al.
Veröffentlicht: (2024)

Polyhedral Conic Classifier for CTR Prediction
von: Turkmen, Beyza, et al.
Veröffentlicht: (2024)