TailBooster: A Dual-Layer Generative Framework for Extreme Value Augmentation with Operational Validity Enforcement
Di cosa parla
TailBooster genera dati sintetici per simulare eventi estremi nei voli — per esempio ritardi gravi o tempi di volo fuori dall'ordinario — concentrando la creazione su quei casi rari e poi eliminando automaticamente i record che sarebbero operationalmente incongruenti (per esempio un tempo di volo troppo breve rispetto alla distanza). L'obiettivo è fornire più esempi rari ai modelli predittivi senza introdurre casi impossibili, migliorando così la capacità di prevedere disservizi nella rete aerea.
Cosa permette di osservare
Permette di esplorare se e come aggiungere esempi rari, mantenendoli plausibili dal punto di vista operativo, può potenziare le previsioni di eventi critici e quale bilanciamento tra quantità di dati sintetici e loro coerenza conviene adottare in altri settori.
Dalla fonte
Extreme events in air transport, such as severe arrival delays and abnormal air times, cause cascading network disruptions with substantial operational, economic, and safety costs. Such events are rare in historical records, leaving insufficient training signal for machine learning models. Synthetic data augmentation offers a principled solution, but conventional generative models under-represent distributional tails and give no guarantee against operationally infeasible instances, such as a short air time paired with a long flight distance. No existing approach addresses both limitations for mixed-type tabular records. We propose TailBooster, a dual-layer generative framework combining generative modelling with two anomaly detection layers. A statistical layer extracts extremes via the interquartile range, supplying tail-concentrated training signal to dedicated generative models, here…