A time-series classification framework for individual-level absenteeism prediction under severe class imbalance

तकनीकी सारांश: गंभीर वर्ग असंतुलन के तहत व्यक्तिगत स्तर पर अनुपस्थिति भविष्यवाणी के लिए एक टाइम-सीरीज वर्गीकरण ढांचा

समस्या की परिभाषा

यह शोध पत्र उच्च-मांग वाले वातावरणों (जैसे, स्वास्थ्य सेवा, आपातकालीन सेवाएं, लॉजिस्टिक्स) में व्यक्तिगत स्टाफ की अनुपस्थिति की भविष्यवाणी करने की परिचालन चुनौती को संबोधित करता है। मौजूदा मशीन लर्निंग दृष्टिकोण दो महत्वपूर्ण संरचनात्मक सीमाओं से ग्रस्त हैं:

1. सामयिक विसंगति (Temporal Misalignment): वर्तमान रिग्रेशन और वर्गीकरण विधियाँ समय $t$ पर देखे गए फीचर्स को उसी समय $t$ के लेबल से मैप करती हैं। इसके परिणामस्वरूप ऐसे मॉडल बनते हैं जो भविष्य की घटनाओं के बजाय पहले से ही घटित हो चुके परिणामों को ही दोहराते हैं, जिससे वे सक्रिय (proactive) होने के बजाय प्रतिक्रियाशील (reactive) बन जाते हैं।
2. अनुक्रमिक संरचना का नुकसान (Loss of Sequential Structure): मौजूदा विधियाँ अक्सर व्यक्तिगत व्यवहार को जनसंख्या-स्तर के सारांशों में एकत्रित कर देती हैं, जिससे एक कर्मचारी के उपस्थिति इतिहास के भीतर अनुक्रमिक पैटर्न (जैसे, थकान का संचय या आवर्ती स्वास्थ्य प्रकरण) को त्याग दिया जाता है, जिनमें भविष्य कहने वाली जानकारी होती है।

इसके अतिरिक्त, यह समस्या गंभीर वर्ग असंतुलन (severe class imbalance) द्वारा चिह्नित है। अध्ययन किए गए संदर्भ में, उपस्थिति (उपस्थित) लगभग 97.69% रिकॉर्ड बनाती है, जबकि अनुपस्थिति अल्पसंख्यक वर्ग (2.31%) है, जिससे असंतुलन अनुपात $\rho \approx 42.31$ प्राप्त होता है। मानक लॉस फंक्शन मॉडल को बहुसंख्यक वर्ग की ओर झुका देते हैं, जिससे विशिष्टता (specificity - अनुपस्थित कर्मचारियों को सही ढंग से पहचानने की क्षमता) में कमी आती है, जो कार्यबल नियोजन के लिए एक महत्वपूर्ण विफलता मोड है।

कार्यप्रणाली

डेटा सिमुलेशन

सार्वजनिक रूप से उपलब्ध अनुदैर्ध्य व्यक्तिगत-स्तर के उपस्थिति डेटा की कमी के कारण, लेखकों ने एक पुनरुत्पादक (reproducible) सिम्युलेटेड डेटासेट का निर्माण किया। इस डेटासेट को UCI "Absenteeism at Work" बेंचमार्क के वितरण गुणों के अनुरूप कैलिब्रेट किया गया था।

• विस्तार (Expansion): 36 कर्मचारियों के मासिक एकत्रित डेटा को दैनिक बाइनरी अनुक्रमों (1,027 दिन) में विस्तारित किया गया।
• संश्लेषण (Synthesis): वितरण-संरक्षण नमूनाकरण (distribution-preserving sampling) के माध्यम से 964 अतिरिक्त सिंथेटिक कर्मचारी उत्पन्न किए गए, जिसके परिणामस्वरूप कुल 1,000 कर्मचारी प्राप्त हुए।
• प्रारूपण (Formulation): समस्या को एक टाइम सीरीज़ क्लासिफिकेशन (TSC) कार्य के रूप में पुनर्गठित किया गया। एक स्लाइडिंग विंडो दृष्टिकोण का उपयोग किया गया जहाँ इनपुट अनुक्रम $X$ उपस्थिति के $n$ लगातार पिछले दिनों का है, और लक्ष्य लेबल $y$ आगामी $m$ दिनों (प्रेडिक्शन होराइजन) में अनुपस्थिति की स्थिति को दर्शाता है।

मॉडल आर्किटेक्चर

तीन डीप लर्निंग आर्किटेक्चर का मूल्यांकन किया गया:

1. LSTM: एक रिकरेंट नेटवर्क जो अनुक्रमिक निर्भरताओं को पकड़ने के लिए सीक्वेंस को प्रोसेस करता है।
2. CNN (FCN): पदानुक्रमित फीचर्स निकालने के लिए 1D कनवल्शन का उपयोग करने वाला एक फुली कनवल्शनल नेटवर्क।
3. LSTM-FCN: एक हाइब्रिड आर्किटेक्चर जो एक कनवल्शनल शाखा (स्थानीय पैटर्न के लिए) और एक रिकरेंट शाखा (अनुक्रमिक निर्भरताओं के लिए) को जोड़ता है, जिसमें आउटपुट लेयर से पहले रिप्रेजेंटेशन को संयोजित (concatenate) किया जाता है।

लॉस फंक्शन्स और सैद्धांतिक विश्लेषण

अध्ययन ने गंभीर असंतुलन के तहत दो लॉस फंक्शन्स का गहन विश्लेषण किया:

1. बाइनरी फोकल लॉस (BFL): एक फोकसिंग पैरामीटर $\gamma$ और एक क्लास-बैलेंसिंग फैक्टर $\alpha$ पेश करता है।
   • सैद्धांतिक निष्कर्ष: लेखकों ने निकाला कि प्रारंभिक ग्रेडिएंट अनुपात (present और absent क्लास के बीच) $\rho \alpha / (1-\alpha)$ है। उन्होंने सिद्ध किया कि फोकसिंग पैरामीटर $\gamma$ का आरंभिक अवस्था ($p=0.5$) पर शून्य प्रभाव पड़ता है।
   • कैलिब्रेशन: ग्रेडिएंट संतुलन प्राप्त करने के लिए, $\alpha$ को $\alpha^* = 1/(1+\rho) \approx 0.023$ के रूप में सेट किया जाना चाहिए। मानक पैरामीटराइजेशन (जैसे, $\alpha=0.75$) बहुसंख्यक वर्ग के प्रभुत्व को बढ़ा देता है, जिससे मॉडल कोलैप्स हो जाता है।
2. ज्यामितिक माध्य (G-Mean) लॉस: ट्रू पॉजिटिव रेट (TPR) और ट्रू नेगेटिव रेट (TNR) के ज्यामितिक माध्य को अनुकूलित करता है।
   • सैद्धांतिक निष्कर्ष: G-Mean एक स्व-सुधारात्मक ग्रेडिएंट संरचना (self-correcting gradient structure) प्रदर्शित करता है। कुल ग्रेडिएंट योगदान का अनुपात $\widehat{TNR}/\widehat{TPR}$ पर निर्भर करता है, जो असंतुलन अनुपात $\rho$ से स्वतंत्र है। जैसे ही मॉडल सभी के लिए "उपस्थित" भविष्यवाणी करने की ओर झुकता है, अनुपस्थित-वर्ग का ग्रेडिएंट स्वाभाविक रूप से हावी हो जाता है, जो बिना किसी मैनुअल पैरामीटर ट्यूनिंग के एक सुधारक बल प्रदान करता है।

प्रयोगात्मक सेटअप

• मेट्रिक्स: स्पेसिफिसिटी (प्राथमिक), बैलेंस्ड एक्यूरेसी, प्रिसिजन, रिकॉल, और F1-स्कोर।
• हाइपरपैरामीटर्स: बैच साइज, विंडो साइज और लॉस फंक्शन पैरामीटर्स पर व्यवस्थित स्वीप (sweeps) किए गए।
• एनवायरनमेंट: PyTorch का उपयोग करके NVIDIA RTX 4090 GPU पर प्रशिक्षण।

मुख्य परिणाम

1. लॉस फंक्शन प्रदर्शन

• मानक BFL विफलता: मानक BFL कॉन्फ़िगरेशन ($\alpha=0.75, \gamma=2$) के परिणामस्वरूप केवल 0.124 की स्पेसिफिसिटी मिली, क्योंकि मॉडल लगभग सभी कर्मचारियों के लिए "उपस्थित" की भविष्यवाणी करता है।
• कैलिब्रेटेड BFL: जब $\alpha$ को सैद्धांतिक रूप से व्युत्पन्न $\alpha^* \approx 0.023$ पर सेट किया गया और $\gamma=0$ रखा गया, तो स्पेसिफिटी बढ़कर 0.813 हो गई और बैलेंस्ड एक्यूरेसी 0.888 प्राप्त हुई।
• G-Mean प्रदर्शन: G-Mean ने बिना किसी पैरामीटर कैलिब्रेशन के 0.844 की स्पेसिफिटी और 0.734 की बैलेंस्ड एक्यूरेसी प्राप्त की।
• निष्कर्ष: जब $\rho$ अज्ञात हो या मैनुअल कैलिब्रेशन से बचना हो, तो G-Mean बेहतर है। कैलिब्रेटेड BFL ($\alpha^*, \gamma=0$) प्रतिस्पर्धी है लेकिन इसके लिए असंतुलन अनुपात के सटीक ज्ञान की आवश्यकता होती है।

2. आर्किटेक्चर और हाइपरपैरामीटर्स

• आर्किटेक्चर: LSTM-FCN हाइब्रिड मॉडल ने विभिन्न कॉन्फ़िगरेशन में सबसे सुसंगत प्रिसिजन और स्पेसिफिटी प्रदर्शित की।
• बैच साइज: प्रदर्शन बैच साइज $\ge 64$ के लिए स्थिर हुआ। छोटे बैचों में अल्पसंख्यक वर्ग के नमूनों को विश्वसनीय रूप से शामिल करने में विफलता मिली, जिससे G-Mean का स्व-सुधार तंत्र विफल हो गया। 1,024 के बैच साइज ने उच्चतम स्पेसिफिटी प्रदान की।
• विंडो साइज: 5-दिवसीय प्रेडिक्शन होराइजन के लिए, 40 और 80 दिनों के बीच के विंडो साइज ने प्रदर्शन और स्थिरता के बीच सर्वोत्तम तालमेल प्रदान किया। बड़े विंडो (जैसे, 160 दिन) के कारण F1-स्कोर और बैलेंस्ड एक्यूरेसी में गिरावट आई।
• बैकग्राउंड इंफॉर्मेशन: स्थिर कर्मचारी बैकग्राउंड जानकारी (जैसे, आयु, BMI) को शामिल करने से केवल उपस्थिति अनुक्रमों का उपयोग करने की तुलना में प्रदर्शन में कोई महत्वपूर्ण सुधार नहीं हुआ।

3. टेस्ट सेट मूल्यांकन

होल्ड-आउट टेस्ट डेटा पर, G-Mean लॉस, विंडो साइज 40–80 दिन, और बैच साइज 1,024 के साथ LSTM-FCN मॉडल ने लगभग 80% की बैलेंस्ड एक्यूरेसी प्राप्त की। मॉडल ने अच्छा सामान्यीकरण (generalization) किया, जो दर्शाता है कि सीखे गए टेम्पोरल पैटर्न ओवरफिट नहीं हुए थे।

महत्व और योगदान

यह शोध पत्र चार प्रमुख योगदानों का दावा करता है:

1. TSC फॉर्मूलेशन: यह अनुपस्थिति भविष्यवाणी को एक अनुक्रमिक ज्ञान समस्या के रूप में पुनर्गठित करता है, जो वास्तविक सक्रिय निर्णय समर्थन सक्षम करने के लिए ऐतिहासिक अनुक्रमों को भविष्य के लेबल से स्पष्ट रूप से अलग करता है, जो मौजूदा प्रतिक्रियाशील मॉडलों के विपरीत है।
2. लॉस फंक्शन्स का सैद्धांतिक विश्लेषण: यह गंभीर असंतुलन के तहत ग्रेडिएंट डायनेमिक्स का एक कठोर सैद्धांतिक व्युत्पत्ति प्रदान करता है। यह सिद्ध करता है कि मानक BFL पैरामीटराइजेशन तब विफल हो जाते हैं जब पॉजिटिव क्लास बहुसंख्यक होती है और संतुलन के लिए आवश्यक $\alpha$ के सटीक विश्लेषणात्मक मान को व्युत्पन्न करता है। यह G-Mean लॉस की स्व-सुधारात्मक प्रकृति को भी स्पष्ट करता है।
3. व्यवस्थित मूल्यांकन: यह असंतुलित अनुक्रमिक भविष्यवाणी के लिए व्यावहारिक डिजाइन दिशानिर्देश स्थापित करता है, LSTM-FCN को मजबूत आर्किटेक्चर के रूप में पहचानता है और बैच साइज एवं विंडो साइज के इष्टतम रेंज को परिभाषित करता है।
4. पुनरुत्पादक सिमुलेशन फ्रेमवर्क: यह डेटा की कमी की बाधा को संबोधित करने के लिए एक कैलिब्रेटेड सिमुलेशन पद्धति जारी करता है जो सिंथेटिक अनुदैर्ध्य उपस्थिति डेटा उत्पन्न करती है, जिससे सार्वजनिक व्यक्तिगत-स्तर के रिकॉर्ड की अनुपस्थिति में भविष्य के शोध के लिए एक बेसलाइन मिलती है।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह अध्ययन सिम्युलेटेड डेटा के उपयोग से सीमित है, फिर भी यह ढांचा वर्कफोर्स मैनेजमेंट, हेल्थकेयर और फ्रॉड डिटेक्शन में गंभीर रूप से असंतुलित बाइनरी क्लासिफिकेशन के लिए व्यावहारिक मार्गदर्शन प्रदान करता है। भविष्य का कार्य वास्तविक संगठनात्मक डेटा पर इन निष्कर्षों को मान्य करने और फ्रेमवर्क को मल्टीवेरिएट सीक्वेंस तक विस्तारित करने की दिशा में निर्देशित है।