論文の概要: Data-driven Analysis for Understanding Team Sports Behaviors
- arxiv url: http://arxiv.org/abs/2102.07545v1
- Date: Mon, 15 Feb 2021 13:31:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-02-16 15:48:22.148167
- Title: Data-driven Analysis for Understanding Team Sports Behaviors
- Title（参考訳）: チームスポーツ行動理解のためのデータ駆動分析
- Authors: Keisuke Fujii
- Abstract要約: チームスポーツなどの実世界の生物的マルチエージェント行動に関する規則は、しばしばほとんど不明である。
データからのルールの推定、すなわち機械学習のようなデータ駆動アプローチは、そのような行動の分析に効果的な方法を提供する。
本調査は,バスケットボールやサッカーなどのチーム内スポーツ行動の定量的理解のためのデータ駆動分析に焦点を当てた。
- 参考スコア（独自算出の注目度）: 1.1844977816228044
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Understanding the principles of real-world biological multi-agent behaviors
is a current challenge in various scientific and engineering fields. The rules
regarding the real-world biological multi-agent behaviors such as team sports
are often largely unknown due to their inherently higher-order interactions,
cognition, and body dynamics. Estimation of the rules from data, i.e.,
data-driven approaches such as machine learning, provides an effective way for
the analysis of such behaviors. Although most data-driven models have
non-linear structures and high prediction performances, it is sometimes hard to
interpret them. This survey focuses on data-driven analysis for quantitative
understanding of invasion team sports behaviors such as basketball and
football, and introduces two main approaches for understanding such multi-agent
behaviors: (1) extracting easily interpretable features or rules from data and
(2) generating and controlling behaviors in visually-understandable ways. The
first approach involves the visualization of learned representations and the
extraction of mathematical structures behind the behaviors. The second approach
can be used to test hypotheses by simulating and controlling future and
counterfactual behaviors. Lastly, the potential practical applications of
extracted rules, features, and generated behaviors are discussed. These
approaches can contribute to a better understanding of multi-agent behaviors in
the real world.
- Abstract（参考訳）: 現実世界の生物的マルチエージェント行動の原理を理解することは、さまざまな科学と工学の分野で現在の課題です。
チームスポーツのような実世界の生物的マルチエージェント行動に関する規則は、本質的に高次相互作用、認知、および身体力学のために、しばしばほとんど未知である。
データからのルールの推定、すなわち機械学習のようなデータ駆動アプローチは、そのような行動の分析に効果的な方法を提供する。
ほとんどのデータ駆動モデルは非線形構造と高い予測性能を持っているが、それらを解釈することは難しい。
本研究は,バスケットボールやサッカーなどの侵略チームスポーツ行動の定量的理解を目的としたデータ駆動分析に焦点をあて,(1)データから容易に解釈可能な特徴やルールを抽出し,(2)視覚的に理解可能な方法で行動を生成し,制御する2つの主要なアプローチを導入する。
最初のアプローチは、学習した表現の可視化と、行動の背後にある数学的構造の抽出である。
第2のアプローチは、将来の行動や反事実行動のシミュレーションと制御によって仮説をテストするために使用できる。
最後に, 抽出されたルール, 特徴, 生成行動の実用的応用について考察する。
これらのアプローチは、現実世界のマルチエージェント行動をよりよく理解するのに役立ちます。
関連論文リスト
- Learning Manipulation by Predicting Interaction [85.57297574510507]
本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。
実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
論文 参考訳（メタデータ） (2024-06-01T13:28:31Z) - Understanding Your Agent: Leveraging Large Language Models for Behavior
Explanation [7.647395374489533]
本研究では,状態や行動の観察のみに基づいて,エージェントの行動に関する自然言語説明を生成する手法を提案する。
提案手法は,人間ドメインの専門家が作成したものと同じくらい役立つ説明を生成する。
論文 参考訳（メタデータ） (2023-11-29T20:16:23Z) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳（メタデータ） (2023-09-30T20:59:42Z) - Generative Models as a Complex Systems Science: How can we make sense of
large language model behavior? [75.79305790453654]
事前訓練されたモデルから望ましい振る舞いを排除し、望ましくないモデルを避けながら、NLPを再定義した。
言語モデルの振る舞いをタスク間性能を説明するカテゴリに分解する体系的な取り組みについて論じる。
論文 参考訳（メタデータ） (2023-07-31T22:58:41Z) - Explaining Explainability: Towards Deeper Actionable Insights into Deep
Learning through Second-order Explainability [70.60433013657693]
2階説明可能なAI(SOXAI)は、最近インスタンスレベルからデータセットレベルまで説明可能なAI(XAI)を拡張するために提案されている。
そこで本研究では,SOXAIの動作可能な洞察に基づくトレーニングセットから無関係な概念を除外することで,モデルの性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2023-06-14T23:24:01Z) - Machine Psychology [54.287802134327485]
我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。
本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。
これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
論文 参考訳（メタデータ） (2023-03-24T13:24:41Z) - Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for
Multi-Behavior Recommendation [52.89816309759537]
マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。
最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。
本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-03T05:28:14Z) - Incorporating Heterogeneous User Behaviors and Social Influences for
Predictive Analysis [32.31161268928372]
我々は,行動予測に異質なユーザ行動と社会的影響を取り入れることを目指している。
本稿では,行動シーケンスのコンテキストを考慮したLong-Short Term Memory (LSTM)を提案する。
残差学習に基づくデコーダは、社会的行動表現に基づいて、複数の高次クロス機能を自動的に構築するように設計されている。
論文 参考訳（メタデータ） (2022-07-24T17:05:37Z) - Beyond Tracking: Using Deep Learning to Discover Novel Interactions in
Biological Swarms [3.441021278275805]
本稿では,システムレベルの状態を全体像から直接予測するディープ・ネットワーク・モデルを提案する。
結果の予測モデルは、人間の理解した予測モデルに基づいていないため、説明モジュールを使用する。
これは、行動生態学における人工知能の例である。
論文 参考訳（メタデータ） (2021-08-20T22:50:41Z) - Learning interaction rules from multi-animal trajectories via augmented
behavioral models [8.747278400158718]
グランガー因果関係は観測された時系列データから相互作用を分析するための実践的なフレームワークである。
この枠組みは動物行動における生成過程の構造を無視している。
マルチアニマル軌道からグラガー因果関係を学習するための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-07-12T11:33:56Z) - Tree of Knowledge: an Online Platform for Learning the Behaviour of
Complex Systems [0.0]
treeofknowledgeは複雑なシステムから複雑な振る舞いを学ぶために特別に設計された新しい方法論を実装している。
多くの異種データセットからエージェントの振る舞いを学び、興味の現象が直接観察されていなくても、これらのデータセットから学習することができる。
論文 参考訳（メタデータ） (2021-02-27T19:39:14Z)
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。