🤖 AI

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

本論文は、実現した結果を単に再現するだけの既存手法の限界を克服し、極めて不均衡なデータセットにおいて真にプロアクティブな個人レベルの欠勤予測を可能にするため、LSTM-FCNアーキテクチャと最適化された損失関数を用いた時系列分類フレームワークを提案するものである。

原著者： Kwong Ho Li, Matthew Roughan, Wathsala Karunarathne

公開日 2026-07-01

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Kwong Ho Li, Matthew Roughan, Wathsala Karunarathne

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、忙しい病院や配送会社のマネージャーだと想像してください。最大の悩みは何でしょうか？それは**欠勤（アブセンティズム）**です。スタッフが出勤できないと、すべてが停滞してしまいます。あなたは、スタッフが欠勤する前に、誰が欠勤しそうかを予測し、準備を整える必要があります。

この論文は、従業員の出席率を予測する「水晶玉」を作るためのものですが、非常に特殊なひねりが加えられています。それは、単に「今何が起きているか」を見るのではなく、「過去に基づいて未来を予測しよう」としている点です。

以下に、彼らの研究のストーリーを、シンプルな概念に分解して説明します。

1. 問題点：バックミラーを見ている状態

現在の欠勤予測プログラムの多くは、バックミラーだけを見て車を運転しているようなものです。彼らは「今日」のデータ（年齢や居住地など）を取り込み、「今日」その人が欠勤しているかどうかを予測しようとします。

著者たちは、これは計画を立てる上では役に立たないと言います。なぜなら、「今日」のデータが判明したときには、従業員はすでに休むか出勤するかを決めてしまっているからです。すでに発生してしまった人員不足に対して、対策を講じることはできません。

解決策： 彼らは**時系列分類（Time Series Classification）**のフレームフレームワークを提案しています。これは、フロントガラス越しに外を見るようなものです。「ジョンは今、欠勤しているか？」と問うのではなく、「ジョンの過去40日間の出席パターンに基づくと、彼は今後5日間のうちに欠勤する可能性が高いか？」と問うのです。これにより、マネージャーは後手に回るのではなく、先手を打つことが可能になります。

2. データの壁：「デジタルツイン」の構築

実際の従業員の出席記録は、プライベートで機密性の高いものです（医療記録と同じです）。インターネットから簡単にダウンロードすることはできません。

これを回避するために、研究者たちはシミュレーション・データセットを作成しました。ブラジルの運送会社から得た小さな実データを「種（シード）」として使い、数学を用いて、実世界の統計と全く同じ挙動を示す1,000人の「デジタル従業員」という巨大な森を育て上げたのです。これにより、プライバシーを侵害することなく、システムをテストすることができました。

3. 「クラス不均衡」の罠

ここがトリッキーな部分です。ほとんどの企業において、従業員が出勤している時間は97%です。 欠勤しているのは、わずか3%の時間に過ぎません。

これは機械学習における**深刻なクラス不均衡（severe class imbalance）**と呼ばれる現象です。これは、犬に「ライオンを見た時だけ吠える」ように教えようとしているのに、99%の時間は猫しか見せていないようなものです。すると、犬は「ライオンはいない」と予測し続けることを学習してしまいます。なぜなら、そう答えていれば99%の確率で正解してしまうからです。

このケースでは、コンピュータモデルは「全員が出勤している」と毎日予測するだけで、97%の精度（Accuracy）を達成できてしまいます。しかし、実際に誰が欠勤しているかを知りたいマネージャーにとって、それは災難です。目標は単なる「精度」ではなく、特異度（Specificity）、つまり「空振り（誤報）」をせずに、稀に起こる「欠勤」を正しく見つけ出す能力なのです。

4. 損失関数の対決：「集中型」vs「自己修正型」

この不均衡を解決するために、研究者たちはAIを訓練するための2つの異なる「教師」（損失関数と呼ばれる数学的公式）をテストしました。

教師A：バイナリ・フォーカル・ロス（BFL）
- 比喩： 落ちこぼれている生徒だけに集中しようとする教師です。ただし、この教師には、どの程度集中すべきかを知るための特定の「取扱説明書」（ $\alpha$ というパラメータ）が必要です。
- 発見： 一般的に使われている標準的な説明書を使うと、実は状況を悪化させてしまうことがわかりました！その説明書は、教師に「間違ったグループ」に集中するように指示していたのです。研究者たちが、欠勤の稀少性に基づいた特定の数式を用いて説明書を書き直したところ、教師は欠勤する従業員を見つける能力が大幅に向上しました。しかし、これにはマネージャーが事前に複雑な数学的計算を行う必要がありました。
教師B：幾何平均（G-Mean）ロス
- 比喩： この教師には自己修正の本能があります。もしクラスの中で落ちこぼれの生徒が無視され始めると、この教師は説明書を必要とすることなく、自動的に注意をそちらへ向けます。
- 発見： この教師は、完璧に調整された「フォーカル・ロス」教師と同等の性能を発揮しましたが、複雑な数学的調整を必要としませんでした。ただ、自然に機能したのです。

勝者： 両方とも優れた結果を出しましたが、G-Meanは、複雑なバランス計算を事前に行う必要がないため、「プラグアンドプレイ（設定不要）」のチャンピオンとなりました。

5. 最良のアーキテクチャ：ハイブリッド・エンジン

彼らは、データを処理するために3つの異なる「エンジン（AIモデル）」をテストしました。

LSTM: 長い物語（日記のようなもの）を覚えるのが得意。
CNN: 画像のパターン（この場合は時間のパターン）を見つけるのが得意。
LSTM-FCN: 両方を組み合わせたハイブリッド。

結果： **ハイブリッド（LSTM-FCN）が明確な勝者でした。それは、日記を読み解くことと、特定の筆跡のパターンを見抜くことの両方ができる探偵がいるようなものです。このモデルは約80%のバランス精度（balanced accuracy）**を達成し、過剰なアラームを鳴らすことなく、欠勤を非常にうまく予測できました。

6. 微調整：どれくらいの歴史が必要か？

彼らは、AIがどれくらい過去に遡って見るべきかもテストしました。

短すぎる場合（5日間）： AIは文脈を忘れてしまいます。
長すぎる場合（160日間）： AIは古くて無関係な履歴に混乱してしまいます。
スイートスポット（最適解）： 40日から80日間遡ることが完璧な窓（ウィンドウ）でした。これにより、AIは「ジョンはダブルシフトの後に必ず体調を崩す」といったパターンを把握するのに十分な履歴を得つつ、古い歴史に足を取られることもありませんでした。

研究のまとめ

バックミラーを見るな： 過去のシーケンスに基づいて将来の欠勤を予測することこそが、真にプロアクティブ（先手を打つこと）である唯一の方法です。
「標準設定」は失敗する： 稀なイベントを扱うためのデフォルト設定を使用すると、欠勤を見逃すことになります。数学を調整するか、自己修正型のメソッドを使用しなければなりません。
ハイブリッドモデルが勝つ： 異なるAI技術を組み合わせる（LSTM-FCN）ことが、この特定の問題において最も効果的です。
魔法の窓： 40〜80日間を振り返ることが最善の結果をもたらします。
魔法の杖はない： 実データはプライベートであるため、彼らは疑似データを使用しましたが、彼らの手法が（実世界の統計に基づいた）シミュレーション上で機能することを証明しました。

要約すると、この論文は、従業員の最近の出席履歴を見て、「このパターンに基づくと、この人は来週欠勤する可能性が高い」と判断できるシステムを構築するためのブループリント（設計図）を提供しています。これにより、マネージャーは問題が発生する前に、対策を講じることができるのです。

技術要約：深刻なクラス不均衡下における個人レベルの欠勤予測のための時系列分類フレームワーク

問題定義

本論文は、高需要環境（医療、救急サービス、物流など）における個人のスタッフの欠勤を予測するという運用上の課題に取り組んでいる。既存の機械学習アプローチには、以下の2つの決定的な構造的限界がある：

時間的ミスマッチ（Temporal Misalignment）: 現在の回帰および分類手法は、時刻 $t$ で観察された特徴量を時刻 $t$ におけるラベルにマッピングする。これは、モデルが将来のイベントを予測するのではなく、既に実現した結果を再現することになり、プロアクティブ（先行的）ではなくリアクティブ（反応的）なモデルになってしまう。
逐次的構造の喪失（Loss of Sequential Structure）: 既存の手法は、個人の行動を集団レベルの要約へと集約してしまうことが多く、従業員の出勤履歴（例：蓄積される疲労や繰り返される健康問題）に含まれる、予測情報を持つ逐次的なパターンを破棄してしまう。

さらに、この問題は深刻なクラス不均衡によって特徴づけられる。研究対象となった文脈では、出席（存在）が記録の約97.69%を占め、欠勤（不在）が少数クラス（2.31%）であり、不均衡比 $\rho \approx 42.31$ を生じさせている。標準的な損失関数はモデルを多数派クラスへと偏らせ、ワークフォース・プランニング（人員計画）における決定的な失敗モードである低い特異度（欠勤する従業員を正しく特定する能力）を招く。

手法

データシミュレーション

公開されている縦断的な個人レベルの出勤データの不足に対応するため、著者らは再現可能なシミュレーションデータセットを構築した。このデータセットは、UCIの「Absenteeism at Work」ベンチマークの分布特性に基づいて校正されている。

拡張: 36名の従業員の月間集計データを、日次のバイナリシーケンス（1,027日分）へと拡張した。
合成: 分布保存サンプリングを用いて964名の合成従業員を生成し、合計1,000名の従業員とした。
定式化: 問題を**時系列分類（TSC）**タスクとして再定式化した。スライディングウィンドウ手法を用い、入力シーケンス $X$ は過去 $n$ 日間の連続した出勤状況で構成され、ターゲットラベル $y$ はその後の $m$ 日間における欠勤ステータス（予測ホライゾン）を表す。

モデルアーキテクチャ

以下の3つのディープラーニング・アーキテクチャを評価した：

LSTM: 逐次的依存関係を捉えるためにシーケンスを処理するリカレントネットワーク。
CNN (FCN): 階層的な特徴を抽出するために1次元畳み込みを使用する全畳み込みネットワーク。
LSTM-FCN: 局所的なパターン（畳み込みブランチ）と逐次的依存関係（リカレントブランチ）を組み合わせたハイブリッド・アーキテクチャであり、出力層の前にそれらの表現を結合する。

損失関数と理論的分析

深刻な不均衡下における2つの損失関数を厳密に分析した：

バイナリ・フォーカル・ロス (BFL): フォーカシング・パラメータ $\gamma$ $γ$ とクラス・バランシング・ファクター $\alpha$ $α$ を導入する。
- 理論的知見: 著者らは、初期状態における「出席」クラスと「欠勤」クラスの初期勾配比が $\rho \alpha / (1-\alpha)$ であることを導出した。彼らは、フォーカシング・パラメータ $\gamma$ が初期化時（ $p=0.5$ ）においてゼロの影響しか持たないことを証明した。
- キャリブレーション: 勾配のバランスを実現するには、 $\alpha$ を $\alpha^* = 1/(1+\rho) \approx 0.023$ に設定する必要がある。標準的なパラメータ設定（例： $\alpha=0.75$ ）は多数派クラスの支配を増幅させ、モデルの崩壊を引き起こす。
幾何平均 (G-Mean) 損失: 真陽性率（TPR）と真陰性率（TNR）の幾何平均を最適化する。
- 理論的知見: G-Meanは自己修正的な勾配構造を示す。総勾配寄与の比は $\widehat{TNR}/\widehat{TPR}$ に依存し、これは不均衡比 $\rho$ に依存しない。モデルが全員を「出席」と予測するように崩壊するにつれ、欠勤クラスの勾配が自然に支配的となり、手動のパラメータ調整なしに復元力を提供する。

実験設定

指標: 特異度（主要）、バランスド・アキュラシー、適合率、再現率、およびF1スコア。
ハイパーパラメータ: バッチサイズ、ウィンドウサイズ、および損失関数のパラメータに対して系統的なスイープを実施した。
環境: PyTorchを用い、NVIDIA RTX 4090 GPU上でトレーニングを実施。

主要な結果

1. 損失関数の性能

標準的なBFLの失敗: 標準的なBFL構成（ $\alpha=0.75, \gamma=2$ ）は、モデルがほぼすべての従業員を「出席」と予測したため、特異度はわずか 0.124 であった。
校正されたBFL: $\alpha$ を理論的に導出された $\alpha^* \approx 0.023$ に設定し、 $\gamma=0$ とした場合、特異度は 0.813、バランスド・アキュラシーは 0.888 に向上した。
G-Meanの性能: G-Meanは、パラメータのキャリブレーションなしに、特異度 0.844 およびバランスド・アキュラシー 0.734 を達成した。
結論: 不均衡比 $\rho$ が未知である場合、または手動のキャリブレーションを避けたい場合には、G-Meanが好ましい。校正されたBFL（ $\alpha^*, \gamma=0$ ）は競争力があるが、不均衡比に関する正確な知識を必要とする。

2. アーキテクチャとハイパーパラメータ

アーキテクチャ: LSTM-FCN ハイブリッドモデルが、あらゆる構成において最も一貫した適合率と特異度を示した。
バッチサイズ: パフォーマンスはバッチサイズ $\ge 64$ で安定した。小さなバッチでは少数クラスのサンプルを確実に含めることができず、G-Meanの自己修正メカニズムが崩壊した。バッチサイズ 1,024 が最高の特異度をもたらした。
ウィンドウサイズ: 5日間の予測ホライゾンに対し、ウィンドウサイズは 40日から80日 の範囲で、性能と安定性の最適なトレードオフを提供した。より大きなウィンドウ（例：160日）では、F1スコアとバランスド・アキュラシーの低下を招いた。
背景情報: 静的な従業員の背景情報（年齢、BMIなど）を組み込んでも、出勤シーケンスのみを使用した場合と比較して、性能の有意な向上は見られなかった。

3. テストセットによる評価

保持されたテストデータにおいて、G-Mean損失、ウィンドウサイズ40–80日、バッチサイズ1,024を用いたLSTM-FCNモデルは、約80%のバランスド・アキュラシーを達成した。モデルは良好に汎化しており、学習された時間的パターンが過学習していないことを示している。

重要性と貢献

本論文は、主に4つの貢献を主張している：

TSCの定式化: 欠勤予測を逐次的な知識問題として再定義し、歴史的なシーケンスと将来のラベルを明示的に分離することで、既存のリアクティブなモデルとは対照的な、真にプロアクティブな意思決定支援を可能にした。
損失関数の理論的分析: 深刻な不均衡下における勾配ダイナミクスに関する厳密な理論的導出を提供した。標準的なBFLのパラメータ設定が、正のクラスが多数派である場合に失敗することを証明し、バランスのために必要な $\alpha$ の正確な解析値を導出した。また、G-Mean損失の自己修正的な性質を特徴づけた。
体系的な評価: 不均衡な逐次的予測のための実用的な設計指針を確立し、LSTM-FCNが堅牢なアーキテクチャであることを特定し、最適なバッチサイズとウィンドウサイズの範囲を定義した。
再現可能なシミュレーションフレームワーク: 公開されている個人レベルの縦断的データの不足に対処するため、校正されたシミュレーション手法を公開し、将来の研究において、公開データがない場合のベースラインとなる合成的な出勤シーケンスを生成できるようにした。

著者らは、本研究がシミュレーションデータを使用している点に制限があるものの、本フレームワークが、ワークフォース・マネジメント、ヘルスケア、および不正検知における深刻に不均衡なバイナリ分類に対して実用的なガイダンスを提供すると結論付けている。今後の課題は、これらの知見を実際の組織データで検証すること、およびフレームワークを多変量シーケンスへと拡張することである。