NIPS2016に掲載されたこの記事は、ペーパーコード：https://github.com/mp2893/retain。
コアモデルは、この論文で示されています：
心不全の診断方法の予測因子としてモデル化イベントの記事・シーケンスは、複雑なモデルは、より高い精度とより正確な解釈能力を提供できることを示しています。考慮してのRNN データ分析を配列決定する能力、記事が提示RETAIN 維持に、RNNを予測力が解釈の高い度合いを可能にしています。RETAIN 全体アルゴリズムを正確に解釈するように一部の学習表現を維持することは、説明するのは容易であるが、コア思想は、予測精度を向上させるために複雑な工程を経て注意を生成することです。保持時間シリーズは、効率的に適切な変数の注意を生成するために、ニューラルネットワークを訓練2逆転します。
この記事では比較的新しい場所を次のように：
1. 使用注意のメカニズムの二組、すなわち訪問レベルと可変レベル、訪問レベルの疾患を有する患者に与えられた注意がより多くの重量を訪問するために、より便利に予測する、および可変レベルに与えられた注意予測病患者の訪問で、より影響力の変数を一度（診断、薬物介入）。
2. ので、最近の入院、新しい順入力でコースレコード中の注目に値する世代では診断がより便利に記録します
上記二つの結合模倣臨床医診断プロセスによって、より高い予測精度を達成します。
3. より高い程度を有する説明モデルのために、エンコード使用RNN 、単純な値のフォーカス使用MLPは、予測コンテキストベクトル生成は非常に簡単です。
使用した予測のSoftMaxは、クロスエントロピー損失関数を用いて、実験は、提案された方法は、良好な説明を持っていることを示しています。