論文の概要: Team Performance Evaluation Model based on Network Feature Extraction
- arxiv url: http://arxiv.org/abs/2004.11039v2
- Date: Tue, 6 Oct 2020 10:56:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 08:28:40.187889
- Title: Team Performance Evaluation Model based on Network Feature Extraction
- Title(参考訳): ネットワーク特徴抽出に基づくチームパフォーマンス評価モデル
- Authors: Ruilin Chen, Kaiyan Chang, Kaiyuan Tian
- Abstract要約: 本稿では,チームパフォーマンス評価の問題を目的とした。
パスネットワークとチームパフォーマンス評価モデルを確立する。
本稿では,Huskiesチームのための戦略を提案し,モデルを一般チームに拡張する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Teamwork is increasingly important in today's society. This paper aims at the
problem of team performance evaluation. Through complex network feature
extraction, we establishes the passing network and team performance evaluation
model. Finally, this paper proposes strategy for Huskies team and extend the
model to the general team.
- Abstract(参考訳): 今日の社会ではチームワークがますます重要になっている。
本稿では,チームパフォーマンス評価の問題について述べる。
複雑なネットワーク特徴抽出により、パスネットワークとチームパフォーマンス評価モデルを確立する。
最後に,huskiesチームの戦略を提案し,そのモデルを一般チームに拡張する。
関連論文リスト
- Predicting soccer matches with complex networks and machine learning [0.0]
本研究の目的は,サッカーの試合結果を予測するための代替ツールとして,複雑なネットワークを利用することである。
通過ネットワークに基づくモデルは、一般的なマッチング統計を用いた従来のモデルと同じくらい効果的であった。
論文 参考訳(メタデータ) (2024-09-19T21:45:25Z) - An Integrated Framework for Team Formation and Winner Prediction in the
FIRST Robotics Competition: Model, Algorithm, and Analysis [0.0]
本手法をFIRSTロボティクスコンペティションの起草プロセスに適用する。
まず,チーム全体のパフォーマンスに基づいて,個々のメンバのパフォーマンスを推定する手法を開発した。
チーム形成を最適化するためにアライアンス最適化アルゴリズムを開発し、優勝チームを予測するためにディープニューラルネットワークモデルを訓練する。
論文 参考訳(メタデータ) (2024-01-06T23:11:50Z) - Stimulative Training++: Go Beyond The Performance Limits of Residual
Networks [91.5381301894899]
残余のネットワークは大きな成功を収め、最近のディープニューラルネットワークモデルでは欠かせないものになっている。
従来の研究では、残余ネットワークは浅いネットワークのアンサンブルと見なせることが示唆されている。
残余ネットワーク内のワークは、単独で作業するよりもグループとして働く場合の労力を減らしがちである。
論文 参考訳(メタデータ) (2023-05-04T02:38:11Z) - Stimulative Training of Residual Networks: A Social Psychology
Perspective of Loafing [86.69698062642055]
残余のネットワークは大きな成功を収め、今日のディープモデルでは欠かせないものになっている。
我々は,新たな社会的心理学的視点から,残余ネットワークのトレーニングプロセスを再検討することを目的としている。
残余ネットワークの性能を高めるための新たなトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2022-10-09T03:15:51Z) - Modeling Teams Performance Using Deep Representational Learning on
Graphs [0.0]
本稿では,チームのパフォーマンスを予測するために設計されたグラフニューラルネットワークモデルを提案する。
このモデルは、トポロジカル、集中、コンテキストという3つのアーキテクチャチャネルに基づいている。
第1のメカニズムは、チーム内のキーメンバーをピンポイントすることを可能にする。
第2のメカニズムにより、結果のパフォーマンスを決定する上での3つのドライバ効果の貢献を定量化できます。
論文 参考訳(メタデータ) (2022-06-29T16:12:22Z) - Predicting Team Performance with Spatial Temporal Graph Convolutional
Networks [2.055949720959582]
本稿では,エージェントの行動トレースからチームパフォーマンスを予測する新しい手法を提案する。
この問題は、コーチングや対戦相手モデリングといったスポーツ分析の課題に非常に関係している。
論文 参考訳(メタデータ) (2022-06-21T20:40:35Z) - Robustness Gym: Unifying the NLP Evaluation Landscape [91.80175115162218]
ディープニューラルネットワークは、現実のシステムにデプロイすると脆くなることが多い。
最近の研究は、そのようなモデルの堅牢性をテストすることに重点を置いている。
単純かつ評価可能なツールキットであるRobustness Gymの形で解を提案する。
論文 参考訳(メタデータ) (2021-01-13T02:37:54Z) - NetReAct: Interactive Learning for Network Summarization [60.18513812680714]
本論文では,テキストコーポラによる感覚生成のネットワーク可視化を支援する,新しいインタラクティブネットワーク要約アルゴリズムであるNetReActを提案する。
netreactが、他の非自明なベースラインよりも、隠れたパターンを明らかにする高品質な要約や視覚化の生成に成功していることを示す。
論文 参考訳(メタデータ) (2020-12-22T03:56:26Z) - My Team Will Go On: Differentiating High and Low Viability Teams through
Team Interaction [17.729317295204368]
オンラインチームの669の10分間のテキスト会話のデータセット上で、生存可能性分類モデルをトレーニングする。
その結果,ラッソ回帰モデルにより,可視性スコアの分類のしきい値が異なる.74--.92 AUC ROCの精度が得られることがわかった。
論文 参考訳(メタデータ) (2020-10-14T21:33:36Z) - Evaluating and Rewarding Teamwork Using Cooperative Game Abstractions [103.3630903577951]
我々は、協調ゲーム理論を用いて、プロスポーツから、人工RLエージェントのチームと現実世界のチームを研究する。
データからCFを推定するための協調ゲーム抽象化(CGA)と呼ばれるパラメトリックモデルを導入する。
CGAモデルに対する識別結果とサンプル境界の複雑さと、CGAを用いたShapley値の推定における誤差境界を提供する。
論文 参考訳(メタデータ) (2020-06-16T22:03:36Z) - Rethinking Clustering for Robustness [56.14672993686335]
ClusTRは、ロバストモデルを学ぶためのクラスタリングベースの、対向のないトレーニングフレームワークである。
textitClusTRは、強いPGD攻撃の下で、敵に訓練されたネットワークを最大4%上回ります。
論文 参考訳(メタデータ) (2020-06-13T16:55:51Z)
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。