論文の概要: A time-series classification framework for individual-level absenteeism prediction under severe class imbalance

• arxiv url: http://arxiv.org/abs/2606.31532v1
• Date: Tue, 30 Jun 2026 11:44:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.203524
• Title: A time-series classification framework for individual-level absenteeism prediction under severe class imbalance
• Title（参考訳）: 重度クラス不均衡下における個人レベルの欠席予測のための時系列分類フレームワーク
• Abstract要約: 従業員欠勤は、需要の高い労働環境において相当な運用コストを課す。 本稿では,過去の出席順序を将来の不在ラベルから分離する時系列分類フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Staff absenteeism imposes substantial operational costs in high-demand work environments such as healthcare, emergency services, meat processing, construction, and courier and delivery services, where proactive workforce planning depends on reliable individual-level absence prediction. Existing regression and classification approaches share a structural limitation; they map features observed at time t to labels at the same time t, reproducing already-realised outcomes rather than predicting future events, and discard the sequential behavioural structure inherent in individual attendance histories. We propose a Time Series Classification (TSC) framework that separates historical attendance sequences from future absence labels, enabling genuinely proactive prediction. Due to the lack of public longitudinal attendance data, we construct a reproducible simulated dataset calibrated to the UCI dataset. We analyse Binary Focal Loss (BFL) and Geometric Mean (G-Mean) loss under severe class imbalance using only the imbalance ratio $ρ$. For BFL, the initial gradient ratio is $ρα/(1-α)$, implying the balanced weight $α= 1/(1+ρ) \approx 0.023$. Experiments show that performance is governed mainly by $α$, with BFL achieving specificity 0.813 and balanced accuracy 0.888, comparable to G-Mean. Unlike BFL, G-Mean adapts automatically without parameter calibration. Among three deep learning architectures evaluated, Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), and the hybrid LSTM-Fully Convolutional Network (LSTM-FCN), the LSTM-FCN delivers strong precision and specificity. Stable performance is obtained with batch sizes >= 64 and window sizes between 40-80 days, yielding balanced accuracy of approximately 80% on held-out test data.
• Abstract（参考訳）: スタッフの欠勤は、医療、救急サービス、肉加工、建設、宅配サービスなどの需要の高い労働環境においてかなりの運用コストを課している。 既存の回帰と分類のアプローチは構造的な制限を共有しており、それらは時間tで観測された特徴をラベルに同時にマッピングし、将来の出来事を予測するのではなく、既に実現済みの結果を再現し、個々の出席履歴に固有のシーケンシャルな行動構造を捨てる。 本稿では,時系列分類(TSC)フレームワークを提案する。 UCIデータセットに校正された再現可能な模擬データセットを構築する。 重度クラス不均衡下でのBFL(Binary Focal Loss)とGeometric Mean(G-Mean)の損失を,不均衡比(ρ$)のみを用いて解析した。 BFLの場合、初期勾配比は$ρα/(1-α)$であり、これはバランスの取れた重量が$α=1/(1+ρ) \approx 0.023$であることを意味する。 実験の結果、性能は主に$α$で管理され、BFLは具体性0.813とG-Meanに匹敵する精度0.888を達成している。 BFLとは異なり、G-Meanはパラメータキャリブレーションなしで自動的に適応する。 3つのディープラーニングアーキテクチャのうち、LSTM(Long Short-Term Memory)、CNN(Convolutional Neural Network)、LSTM-Fully Convolutional Network(LSTM-FCN)は、強力な精度と特異性を提供する。 安定性能は, バッチサイズ>=64, ウィンドウサイズが40～80日で得られ, 保持試験データ上で約80%のバランス精度が得られる。

関連論文リスト

• VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion [0.0]
  マルチスケールの時間表現の垂直融合を用いたハイブリッドLSTMアーキテクチャであるVertiFuseXを提案する。 我々は、厳格な時間外テストを用いて、10のグローバルエクイティ指標から15年(2010-2024)の終値で評価する。 VertiFuseXは30～54%のMAPE削減を実現し、LSTMベースのベースラインに対してMAEとRMSEを40%以上改善した。
  論文  参考訳（メタデータ） (2026-09-11T12:54:25Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• Customer Churn Prediction on Structured Data Using FT-Transformer and Stacking Ensembles [0.0]
  本研究では,特徴量変換器(FT-Transformer)をキャリブレーション積み重ねによる勾配木と統合したハイブリッドアーキテクチャを提案する。 提案手法は, 統計的検証, 確率, キャリブレーションの持続的ギャップに対処し, 先行研究で確認された。 パブリックバンクチャーンデータセットでは、ハイブリッドモデル62.10% F1、0.861 AUC-ROC、0.647 PR-AUCがMulti-Layer Perceptron(MLP)ベースラインを3.37 F1ポイント、0.027 AUCを95%の信頼区間で上回っている。
  論文  参考訳（メタデータ） (2026-05-26T23:02:38Z)
• Is Capability a Liability? More Capable Language Models Make Worse Forecasts When It Matters Most [11.4807141145402]
  逆スケーリングでは、より有能なモデルでは、超線形成長を伴う問題を予測し、状態変化の尾リスクを予測し、分布予測が悪化する。 このパターンはForecastBench-Simで、線形制御にマッチした合成SIRの流行を予測し、COVID-19、麻疹、住宅市場、ハイパーインフレの実際のデータセットに複製する。 この逆スケーリングは、LLM予測ベンチマークに共通する単一閾値のメトリクスには現れず、同一出力における能力-正確性関係のサインを逆転させる。
  論文  参考訳（メタデータ） (2026-05-21T16:14:33Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Winning the Pruning Gamble: A Unified Approach to Joint Sample and Token Pruning for Efficient Supervised Fine-Tuning [71.30276778807068]
  サンプルプルーニングとトークンプルーニングを戦略的に協調する統合フレームワークを提案する。 Q-Tuningは、トレーニングデータの12.5%しか使用せず、全データSFTベースラインに対する平均38%の改善を実現している。
  論文  参考訳（メタデータ） (2025-09-28T13:27:38Z)
• Benchmarking Federated Learning for Throughput Prediction in 5G Live Streaming Applications [5.026196568145574]
  本稿では,現実的な5Gエッジシナリオにおけるスループット予測のためのフェデレーション学習戦略の総合的なベンチマークを行う。 FedBNは、非IID条件下で一貫してロバストな性能を提供する。 LSTMとTransformerモデルは、CNNベースのベースラインを最大80%のR2スコアで上回る。
  論文  参考訳（メタデータ） (2025-08-11T21:27:40Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)
• Prediction of financial time series using LSTM and data denoising methods [0.29923891863939933]
  本稿では,ウェーブレット変換 (WT) と特異スペクトル解析 (SSA) を含むデータデノイジング法に基づくアンサンブル法を提案する。 WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。
  論文  参考訳（メタデータ） (2021-03-05T07:32:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。