HG-SSA-ChurnNet: A Hybrid Gradient-Guided Salp Swarm Optimized Deep Learning Framework for Telecom Analytics
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».