A time-series classification framework for individual-level absenteeism prediction under severe class imbalance
직원 결근 예측을 위해 과거 출근 이력 시퀀스에서 미래 결석 레이블을 분리하는 시계열 분류(TSC) 프레임워크를 제안하며, 극심한 클래스 불균형(결석 비율 약 2.31%) 환경에서 Binary Focal Loss(BFL)와 G-Mean 손실 함수의 그래디언트 동역학을 이론적으로 분석한다. LSTM-FCN 아키텍처가 가장 우수한 정밀도와 특이도를 달성했으며, 적절히 보정된 BFL(α≈0.023)이 자동 보정이 가능한 G-Mean과 유사하게 균형 정확도 0.888을 기록했다.