Resumen Técnico: Un Marco de Clasificación de Series Temporales para la Predicción del Absentismo a Nivel Individual bajo un Desequilibrio de Clases Severo

Definición del Problema

El artículo aborda el desafío operativo de predecir el absentismo del personal a nivel individual en entornos de alta demanda (p. ej., atención médica, servicios de emergencia, logística). Los enfoques actuales de aprendizaje automático sufren dos limitaciones estructurales críticas:

1. Desalineación Temporal: Los métodos actuales de regresión y clasificación mapean características observadas en el tiempo $t$ a etiquetas en el mismo tiempo $t$. Esto resulta en modelos que reproducen resultados ya realizados en lugar de predecir eventos futuros, lo que los vuelve reactivos en lugar de proactivos.
2. Pérdida de la Estructura Secuencial: Los métodos existentes suelen agregar el comportamiento individual en resúmenes a nivel de población, descartando los patrones secuenciales dentro del historial de asistencia de un empleado (p. ej., la acumulación de fatiga o episodios de salud recurrentes) que contienen información predictiva.

Además, el problema se caracteriza por un desequilibrio de clases severo. En el contexto estudiado, la asistencia (presente) constituye aproximadamente el 97.69% de los registros, mientras que la ausencia es la clase minoritaria (2.31%), lo que produce una relación de desequilibrio $\rho \approx 42.31$. Las funciones de pérdida estándar sesgan los modelos hacia la clase mayoritaria, lo que conduce a una baja especificidad (la capacidad de identificar correctamente a los empleados ausentes), que es el modo de fallo crítico para la planificación de la fuerza laboral.

Metodología

Simulación de Datos

Debido a la falta de datos longitudinales disponibles públicamente a nivel individual sobre asistencia, los autores construyeron un conjunto de datos simulados reproducible. Este conjunto de datos fue calibrado con las propiedades distribucionales del benchmark "Absenteeism at Work" de la UCI.

• Expansión: Los datos agregados mensuales de 36 empleados se expandieron en secuencias diarias binarias (1,027 días).
• Síntesis: Se generaron 964 empleados sintéticos adicionales mediante muestreo preservador de la distribución, resultando en un total de 1,000 empleados.
• Formulación: El problema se reformuló como una tarea de Clasificación de Series Temporales (TSC). Se utilizó un enfoque de ventana deslizante donde la secuencia de entrada $X$ consiste en $n$ días consecutivos de asistencia pasada, y la etiqueta objetivo $y$ representa el estado de ausencia durante los $m$ días subsiguientes (horizonte de predicción).

Arquitecturas de Modelos

Se evaluaron tres arquitecturas de aprendizaje profundo:

1. LSTM: Una red recurrente que procesa la secuencia para capturar dependencias temporales.
2. CNN (FCN): Una red totalmente convolucional que utiliza convoluciones 1D para extraer características jerárquicas.
3. LSTM-FCN: Una arquitectura híbrida que combina una rama convolucional (para patrones locales) y una rama recurrente (para dependencias secuenciales), con representaciones concatenadas antes de la capa de salida.

Funciones de Pérdida y Análisis Teórico

El estudio analizó rigurosamente dos funciones de pérdida bajo un desequilibrio severo:

1. Pérdida Focal Binaria (BFL): Introduce un parámetro de enfoque $\gamma$ y un factor de equilibrio de clases $\alpha$.
   • Hallazgo Teórico: Los autores derivaron que la relación de gradiente inicial entre las clases presente y ausente es $\rho \alpha / (1-\alpha)$. Demostraron que el parámetro de enfoque $\gamma$ tiene un efecto nulo en la inicialización ($p=0.5$).
   • Calibración: Para lograr el equilibrio de gradientes, $\alpha$ debe establecerse como $\alpha^* = 1/(1+\rho) \approx 0.023$. Las parametrizaciones estándar (p. ej., $\alpha=0.75$) amplifican el dominio de la clase mayoritaria, causando el colapso del modelo.
2. Pérdida de la Media Geométrica (G-Mean): Optimiza la media geométrica de la Tasa de Verdaderos Positivos (TPR) y la Tasa de Verdaderos Negativos (TNR).
   • Hallazgo Teórico: La G-Mean exhibe una estructura de gradiente autocorrectiva. La relación de las contribuciones totales del gradiente depende de $\widehat{TNR}/\widehat{TPR}$, la cual es independiente de la relación de desequilibrio $\rho$. A medida que el modelo colapsa hacia la predicción de "presente" para todos, el gradiente de la clase ausente domina naturalmente, proporcionando una fuerza de restauración sin necesidad de ajuste manual de parámetros.

Configuración Experimental

• Métricas: Especificidad (primaria), Precisión Balanceada, Precisión, Recall y F1-score.
• Hiperparámetros: Se realizaron barridos sistemáticos sobre tamaños de lote, tamaños de ventana y parámetros de la función de pérdida.
• Entorno: Entrenamiento en una GPU NVIDIA RTX 4090 utilizando PyTorch.

Resultados Clave

1. Rendimiento de la Función de Pérdida

• Fallo de la BFL Estándar: La configuración estándar de BFL ($\alpha=0.75, \gamma=2$) resultó en una especificidad de solo 0.124, ya que el modelo predijo "presente" para casi todos los empleados.
• BFL Calibrada: Cuando $\alpha$ se estableció en el valor teóricamente derivado $\alpha^* \approx 0.023$ y $\gamma=0$, la especificidad mejoró a 0.813 con una precisión balanceada de 0.888.
• Rendimiento de G-Mean: La G-Mean logró una especificidad de 0.844 y una precisión balanceada de 0.734 sin ninguna calibración de parámetros.
• Conclusión: La G-Mean es preferible cuando $\rho$ es desconocido o cuando se desea evitar la calibración manual. La BFL calibrada ($\alpha^*, \gamma=0$) es competitiva pero requiere el conocimiento preciso de la relación de desequilibrio.

2. Arquitectura e Hiperparámetros

• Arquitectura: El modelo híbrido LSTM-FCN demostró la precisión y especificidad más consistentes en todas las configuraciones.
• Tamaño de Lote (Batch Size): El rendimiento se estabilizó para tamaños de lote $\ge 64$. Los lotes más pequeños no incluyeron de manera confiable muestras de la clase minoritaria, causando el col collapse del mecanismo de autocorrección de la G-Mean. Un tamaño de lote de 1,024 produjo la mayor especificidad.
• Tamaño de Ventana: Para un horizonte de predicción de 5 días, los tamaños de ventana entre 40 y 80 días proporcionaron el mejor equilibrio entre rendimiento y estabilidad. Las ventanas más grandes (p. ej., 160 días) provocaron descensos en el F1-score y la precisión balanceada.
• Información de Fondo: La incorporación de información de fondo estática del empleado (p. ej., edad, IMC) no mejoró significativamente el rendimiento en comparación con el uso exclusivo de las secuencias de asistencia.

3. Evaluación del Conjunto de Prueba

En los datos de prueba retenidos, el modelo LSTM-FCN con pérdida G-Mean, un tamaño de ventana de 40–80 días y un tamaño de lote de 1,024 alcanzó una precisión balanceada de aproximadamente el 80%. El modelo generalizó bien, lo que indica que los patrones temporales aprendidos no sufrieron sobreajuste.

Significancia y Contribuciones

El artículo reclama cuatro contribuciones principales:

1. Formulación TSC: Replantea la predicción del absentismo como un problema de conocimiento secuencial, separando explícitamente las secuencias históricas de las etiquetas futuras para permitir un soporte de decisión proactivo genuino, contrastando con los modelos reactivos existentes.
2. Análisis Teórico de las Funciones de Pérdida: Proporciona una derivación teórica rigurosa de la dinámica de gradientes bajo un desequilibrio severo. Demuestra que las parametrizaciones estándar de BFL fallan cuando la clase positiva es la mayoritaria y deriva el valor analítico exacto de $\alpha$ requerido para el equilibrio. También caracteriza la naturaleza autocorrectiva de la pérdida G-Mean.
3. Evaluación Sistemática: Establece directrices de diseño prácticas para la predicción secuencial desequilibrada, identificando a LSTM-FCN como la arquitectura robusta y definiendo rangos óptimos para los tamaños de lote y de ventana.
4. Marco de Simulación Reproducible: Aborda la barrera de la escasez de datos mediante la publicación de una metodología de simulación calibrada que genera datos de asistencia longitudinales sintéticos, proporcionando una línea base para futuras investigaciones ante la ausencia de registros individuales públicos.

Los autores concluyen que, si bien el estudio está limitado por el uso de datos simulados, el marco ofrece orientación práctica para la clasificación binaria severamente desequilibrada en la gestión de la fuerza laboral, la atención médica y la detección de fraude. El trabajo futuro se dirige hacia la validación de estos hallazgos con datos organizacionales reales y la extensión del marco a secuencias multivariantes.