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: 処理完了
• 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

• 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)
• The MABe22 Benchmarks for Representation Learning of Multi-Agent Behavior [30.709188251043646]
  実世界の行動神経科学実験から大規模・多エージェント軌道データセットを導入する。 我々のデータセットは、一般的なモデル生物の軌道データからなり、960万フレームのマウスデータと440万フレームのフライデータで構成されています。
  論文  参考訳（メタデータ） (2022-07-21T15:51:30Z)
• 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)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• 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)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)
• On the interaction between supervision and self-play in emergent communication [82.290338507106]
  本研究は,2つのカテゴリの学習信号と,サンプル効率の向上を目標とする学習信号の関係について検討する。 人間のデータに基づく教師付き学習による初等訓練エージェントが,自己演奏が会話に優れていることが判明した。
  論文  参考訳（メタデータ） (2020-02-04T02:35:19Z)
• End-to-End Models for the Analysis of System 1 and System 2 Interactions based on Eye-Tracking Data [99.00520068425759]
  本稿では,よく知られたStroopテストの視覚的修正版において,様々なタスクと潜在的な競合事象を特定するための計算手法を提案する。 統計的分析により、選択された変数は、異なるシナリオにおける注意負荷の変動を特徴付けることができることが示された。 機械学習技術は,異なるタスクを分類精度良く区別できることを示す。
  論文  参考訳（メタデータ） (2020-02-03T17:46:13Z)

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。