Sintesi Tecnica: Un Framework di Classificazione di Serie Temporali per la Predizione dell'Assenteismo Individuale sotto Grave Sbilanciamento delle Classi

Definizione del Problema

Il paper affronta la sfida operativa della predizione dell'assenteismo del personale a livello individuale in ambienti ad alta richiesta (es. sanità, servizi di emergenza, logistica). Gli approoli di machine learning esistenti soffrono di due critiche limitazioni strutturali:

1. Disallineamento Temporale: I modelli di regressione e classificazione attuali mappano le caratteristiche osservate al tempo $t$ su etichette allo stesso tempo $t$. Ciò produce modelli che riproducono esiti già realizzati piuttosto che predire eventi futuri, rendendoli reattivi anziché proattivi.
2. Perdita della Struttura Sequenziale: I metodi esistenti spesso aggregano il comportamento individuale in riassunti a livello di popolazione, scartando i pattern sequenziali nella cronologia delle presenze del singolo dipendente (es. l'accumulo di fatica o episodi di salute ricorrenti) che contengono informazioni predittive.

Inoltre, il problema è caratterizzato da un grave sbilanciamento delle classi. Nel contesto studiato, la presenza costituisce circa il 97,69% dei record, mentre l'assenza è la classe minoritaria (2,31%), con un rapporto di sbilanciamento $\rho \approx 42,31$. Le funzioni di perdita standard polarizzano i modelli verso la classe maggioritaria, portando a una scarsa specificità (la capacità di identificare correttamente i dipendenti assenti), che rappresenta il fallimento critico per la pianificazione della forza lavoro.

Metodologia

Simulazione dei Dati

A causa della mancanza di dati longitudinali individuali sull'assenteismo pubblicamente disponibili, gli autori hanno costruito un dataset simulato riproducibile. Questo dataset è stato calibrato sulle proprietà distributive del benchmark UCI "Absenteeism at Work".

• Espansione: I dati aggregati mensili di 36 dipendenti sono stati espansi in sequenze giornaliere binarie (1.027 giorni).
• Sintesi: Sono stati generati ulteriori 964 dipendenti sintetici tramite campionamento preservante la distribuzione, per un totale di 1.000 dipendenti.
• Formulazione: Il problema è stato riformulato come un compito di Classificazione di Serie Temporali (TSC). È stato utilizzato un approccio a finestra scorrevole in cui la sequenza di input $X$ consiste in $n$ giorni consecutivi di presenza passata, e l'etichetta target $y$ rappresenta lo stato di assenza durante i successivi $m$ giorni (orizzonte di predizione).

Architetture dei Modelli

Sono state valutate tre architetture di deep learning:

1. LSTM: Una rete ricorrente che elabora la sequenza per catturare le dipendenze temporali.
2. CNN (FCN): Una rete totalmente convoluzionale che utilizza convoluzioni 1D per estrarre caratteristiche gerarchiche.
3. LSTM-FCN: Un'architettura ibrida che combina un ramo convoluzionale (per i pattern locali) e un ramo ricorrente (per le dipendenze sequenziali), con le rappresentazioni concatenate prima dello strato di output.

Funzioni di Perdita e Analisi Teorica

Lo studio ha analizzato rigorosamente due funzioni di perdita sotto forte sbilanciamento:

1. Binary Focal Loss (BFL): Introduce un parametro di focalizzazione $\gamma$ e un fattore di bilanciamento delle classi $\alpha$.
   • Risultato Teorico: Gli autori hanno derivato che il rapporto iniziale dei gradienti tra le classi presente e assente è $\rho \alpha / (1-\alpha)$. Hanno dimostrato che il parametro di focalizzazione $\gamma$ ha effetto nullo all'inizializzazione ($p=0.5$).
   • Calibrazione: Per ottenere il bilanciamento dei gradienti, $\alpha$ deve essere impostato come $\alpha^* = 1/(1+\rho) \approx 0,023$. Le parametrizzazioni standard (es. $\alpha=0,75$) amplificano il dominio della classe maggioritaria, causando il collasso del modello.
2. Geometric Mean (G-Mean) Loss: Ottimizza la media geometrica del Tasso di Veri Positivi (TPR) e del Tasso di Veri Negativi (TNR).
   • Risultato Teorico: La G-Mean presenta una struttura del gradiente autocorrettiva. Il rapporto dei contributi totali del gradiente dipende da $\widehat{TNR}/\widehat{TPR}$, che è indipendente dal rapporto di sbilanciamento $\rho$. Man mano che il modello collassa predendo "presente" per tutti, il gradiente della classe assente domina naturalmente, fornendo una forza di ripristino senza necessità di calibrazione manuale dei parametri.

Setup Sperimentale

• Metriche: Specificità (primaria), Accuratezza Bilanciata, Precisione, Recall e F1-score.
• Iperparametri: Sono state condotte analisi sistematiche su dimensioni dei batch, dimensioni delle finestre e parametri delle funzioni di perdita.
• Ambiente: Addestramento su una GPU NVIDIA RTX 4090 utilizzando PyTorch.

Risultati Chiave

1. Performance delle Funzioni di Perdita

• Fallimento della BFL Standard: La configurazione standard della BFL ($\alpha=0,75, \gamma=2$) ha prodotto una specificità di soli 0,124, poiché il modello prediceva "presente" per quasi tutti i dipendenti.
• BFL Calibrata: Quando $\alpha$ è stato impostato sul valore teorico derivato $\alpha^* \approx 0,023$ e $\gamma=0$, la specificità è migliorata a 0,813 con un'accuratezza bilanciata di 0,888.
• Performance della G-Mean: La G-Mean ha ottenuto una specificità di 0,844 e un'accuratezza bilanciata di 0,734 senza alcuna calibrazione dei parametri.
• Conclusione: La G-Mean è preferibile quando $\rho$ è sconosciuto o quando si desidera evitare la calibrazione manuale. La BFL calibrata ($\alpha^*, \gamma=0$) è competitiva ma richiede la conoscenza precisa del rapporto di sbilanciamento.

2. Architettura e Iperparametri

• Architettura: Il modello ibrido LSTM-FCN ha dimostrato la maggiore costanza in termini di precisione e specificità attraverso le diverse configurazioni.
• Dimensione del Batch (Batch Size): Le performance si sono stabilizzate per batch $\ge 64$. I batch più piccoli non includevano in modo affidabile i campioni della classe minoritaria, causando il collasso del meccanismo di autocorrezione della G-Mean. Un batch size di 1.024 ha prodotto la specificità più elevata.
• Dimensione della Finestra (Window Size): Per un orizzonte di predizione di 5 giorni, le finestre tra 40 e 80 giorni hanno fornito il miglior compromesso tra performance e stabilità. Finestre più ampie (es. 160 giorni) hanno portato a un declino del F1-score e dell'accuratezza bilanciata.
• Informazioni di Background: L'integrazione di informazioni di base del dipendente (es. età, BMI) non ha migliorato significativamente le prestazioni rispetto all'uso delle sole sequenze di presenza.

3. Valutazione sul Test Set

Sul test set, il modello LSTM-FCN con perdita G-Mean, una finestra di 40–80 giorni e un batch size di 1.024 ha raggiunto un'accuratezza bilanciata di circa l'80%. Il modello ha generalizzato bene, indicando che i pattern temporali appresi non sono soggetti a overfitting.

Significato e Contributi

Il paper rivendica quattro contributi principali:

1. Formulazione TSC: Riformula la predizione dell'assenteismo come un problema di conoscenza sequenziale, separando esplicitamente le sequenze storiche dalle etichette future per abilitare un supporto decisionale proattivo reale, contrastando i modelli reattivi esistenti.
2. Analisi Teorica delle Funzioni di Perdita: Fornisce una rigorosa derivazione della dinamica dei gradienti sotto forte sbilanciamento. Dimostra che le parametrizzazioni standard della BFL falliscono quando la classe positiva è quella maggioritaria e deriva il valore analitico esatto di $\alpha$ necessario per il bilanciamento. Caratterizza inoltre la natura autocorrettiva della perdita G-Mean.
3. Valutazione Sistematica: Stabilisce linee guida pratiche per la predizione sequenziale sbilanciata, identificando l'LSTM-FCN come l'architettura robusta e definendo i range ottimali per le dimensioni dei batch e delle finestre.
4. Framework di Simulazione Riproducibile: Affronta la barriera della scarsità di dati rilasciando una metodologia di simulazione calibrata che genera dati longitudinali di assenteismo sintetici, fornendo una base per ricerche future in assenza di record individuali pubblici.

Gli autori concludono che, sebbene lo studio sia limitato dall'uso di dati simulati, il framework offre una guida pratica per la classificazione binaria fortemente sbilanciata nella gestione della forza lavoro, nella sanità e nel rilevamento delle frodi. Il lavoro futuro è orientato alla validazione di questi risultati su dati organizzativi reali e all'estensione del framework a sequenze multivariate.