HG-SSA-ChurnNet: A Hybrid Gradient-Guided Salp Swarm Optimized Deep Learning Framework for Telecom Analytics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this era, the precise analysis of user behavior and network performance in tele communications is essential for demonstrating effective service quality and reducing customer churn. Specifically, when compared to deep learningbased models like ChurnNet, which provided good prediction accuracy for telecom data, their performance is very sensitive to the choice of hyper-parameters that are usually selected through soft or heuristic trial and error methods. To address this limitation, this research proposes a Hybrid Gradient Guided Salp Swarm Algorithm with ChurnNet (HG-SSAChurnNet) for churn prediction and modeling of DNNs. In particular, the proposed HG-SSA-ChurnNet framework incorporates chaotic initialization for search diversity improvement, validation-loss gradient-based guiding for fast convergence and diversity-preserving follower dynamics that helps prevent early stagnation. Therefore, these mechanisms allow the optimizer to effectively explore the ChurnNet hyperparameter space, which includes learning rate, convolutional filters size, kernel sizes, dropout probability, mini-batch size, and optimizer type. Subsequently, the optimization is determined by a telecom-aware multi-objective fitness function that includes accuracy, F1-score and training time. Thus, the experimental analysis demonstrates that the proposed HG-SSA-ChurnNet outperforms the existing ChurnNet model with$\mathbf{8 1. 9 6 \%}$accuracy and$\mathbf{7 8. 8 4 \%}$F1-score.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle