論文の概要: Deep Similarity Learning for Sports Team Ranking

• arxiv url: http://arxiv.org/abs/2103.13736v1
• Date: Thu, 25 Mar 2021 10:32:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 20:03:44.700330
• Title: Deep Similarity Learning for Sports Team Ranking
• Title（参考訳）: スポーツチームランキングにおける深い類似性学習
• Authors: Daniel Yazbek, Jonathan Sandile Sibindi, Terence L. Van Zyl
• Abstract要約: 我々は,LightGBMやXGBoostモデルと一体となって,SNN(Siamese Neural Networks)に注目し,マッチの重要性を予測し,ラグビーとバスケットボールのチームをランク付けする。 6つのモデル(LightGBM、XGBoost、LightGBM(Contrastive Loss)、LightGBM(Triplet Loss)、XGBoost(Contrastive Loss)、XGBoost(Triplet Loss))が開発された。 Triplet損失関数を利用するモデルは、Contrastive lossを使用するモデルよりも優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Sports data is more readily available and consequently, there has been an increase in the amount of sports analysis, predictions and rankings in the literature. Sports are unique in their respective stochastic nature, making analysis, and accurate predictions valuable to those involved in the sport. In response, we focus on Siamese Neural Networks (SNN) in unison with LightGBM and XGBoost models, to predict the importance of matches and to rank teams in Rugby and Basketball. Six models were developed and compared, a LightGBM, a XGBoost, a LightGBM (Contrastive Loss), LightGBM (Triplet Loss), a XGBoost (Contrastive Loss), XGBoost (Triplet Loss). The models that utilise a Triplet loss function perform better than those using Contrastive loss. It is clear LightGBM (Triplet loss) is the most effective model in ranking the NBA, producing a state of the art (SOTA) mAP (0.867) and NDCG (0.98) respectively. The SNN (Triplet loss) most effectively predicted the Super 15 Rugby, yielding the SOTA mAP (0.921), NDCG (0.983), and $r_s$ (0.793). Triplet loss produces the best overall results displaying the value of learning representations/embeddings for prediction and ranking of sports. Overall there is not a single consistent best performing model across the two sports indicating that other Ranking models should be considered in the future.
• Abstract（参考訳）: スポーツデータはより容易に入手でき、その結果、文学におけるスポーツ分析、予測、ランキングの量が増加している。 スポーツはそれぞれの確率的性質においてユニークであり、分析を行い、スポーツに関わる人々にとって価値のある正確な予測を行う。 そこで本研究では,LightGBMモデルとXGBoostモデルとを併用したSiamese Neural Networks(SNN)に着目し,試合の重要性を予測し,ラグビーとバスケットボールのチームをランク付けする。 6つのモデル、LightGBM、XGBoost、LightGBM(Contrastive Loss)、LightGBM(Triplet Loss)、XGBoost(Contrastive Loss)、XGBoost(Triplet Loss)が開発された。 Triplet損失関数を利用するモデルは、Contrastive lossを使用するモデルよりも優れている。 LightGBM (Triplet Los) はNBAのランキングにおいて最も効果的なモデルであり、それぞれ、最先端(SOTA) mAP (0.867) と NDCG (0.98) を生成する。 SNNは最も効果的にスーパー15ラグビーを予測し、SOTA mAP (0.921)、NDCG (0.983)、および$r_s$ (0.793)を得た。 トリプレットロスは、スポーツの予測とランキングのための学習表現/エンベディングの価値を示す最高の総合結果を生成する。 総合的には、他のランキングモデルが将来検討されるべきであることを示す2つのスポーツ全体で一貫した最高のパフォーマンスモデルはない。

関連論文リスト

• Are Large Language Models Strategic Decision Makers? A Study of Performance and Bias in Two-Player Non-Zero-Sum Games [56.70628673595041]
  大規模言語モデル (LLM) は現実世界での利用が増えているが、その戦略的意思決定能力はほとんど探索されていない。 本研究は,Stag Hunt と Prisoner Dilemma のカノニカルゲーム理論2人プレイヤ非ゼロサムゲームにおける LLM の性能とメリットについて検討する。 GPT-3.5, GPT-4-Turbo, GPT-4o, Llama-3-8Bの構造化評価は, これらのゲームにおいて決定を行う場合, 以下の系統的バイアスの少なくとも1つの影響を受けていることを示す。
  論文  参考訳（メタデータ） (2024-07-05T12:30:02Z)
• Boosting Visual-Language Models by Exploiting Hard Samples [126.35125029639168]
  HELIPは、既存のCLIPモデルの性能を高めるための費用対効果戦略である。 我々の方法では、既存のモデルのトレーニングパイプラインと懸命に統合できます。 包括的なベンチマークでは、HELIPはパフォーマンス向上のために既存のモデルを継続的に強化する。
  論文  参考訳（メタデータ） (2023-05-09T07:00:17Z)
• Impact of a Batter in ODI Cricket Implementing Regression Models from Match Commentary [0.0]
  本研究は,プレイヤーがどのような状況でどれだけコントロールしているかを判断することで,このインパクトのあるパフォーマンスの背景にある欠点を理解することを目的とする。 私たちはOne Day Internationalの3人の著名なクリケット選手(Rohit G Sharma、David A Warner、Kene S Williamson)のキャリアに関するデータを収集しました。 我々は、各プレイヤーのデータに対して、複数の線形回帰(MLR)、ポリノミアル回帰、サポートベクトル回帰(SVR)、決定木回帰、ランダムフォレスト回帰を個別に使用し、プレイヤーがゲームに与える影響を予測する。
  論文  参考訳（メタデータ） (2023-02-22T06:42:20Z)
• MambaNet: A Hybrid Neural Network for Predicting the NBA Playoffs [5.366368559381279]
  MambaNetは、チームとプレイヤーのゲーム統計の時系列を処理するハイブリッドニューラルネットワークアーキテクチャである。 提案手法は, AUC を 0.72 から 0.82 まで予測し, 最良性能のベースラインモデルをかなりの差で上回った。
  論文  参考訳（メタデータ） (2022-10-31T04:37:33Z)
• GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win Prediction in Esports [84.55775845090542]
  本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。 GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。 本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
  論文  参考訳（メタデータ） (2022-07-26T21:38:07Z)
• ML-Based Approach for NFL Defensive Pass Interference Prediction Using GPS Tracking Data [1.0055143995729414]
  ディフェンシブ・パス・インターフェレーション(DPI)はNFLで最も影響力のあるペナルティの1つである。 GPS追跡データを用いてDPIを予測することは、成功にしかならない。 この研究は、ビデオシーケンス分類のための多段階パイプラインのフィルタとして機能するかもしれない。
  論文  参考訳（メタデータ） (2022-06-24T09:56:58Z)
• Prediction of Football Player Value using Bayesian Ensemble Approach [13.163358022899335]
  そこで本研究では,FIFAデータ分析に基づいて,世界トップのサッカー選手の移籍手数料に影響を及ぼす要因について事例研究を行った。 各プレイヤーの市場価値を予測するため,木構造パーゼンエミュレータ(TPE)アルゴリズムを用いて改良されたLightGBMモデルを提案する。
  論文  参考訳（メタデータ） (2022-06-24T07:13:53Z)
• Machine Learning in Sports: A Case Study on Using Explainable Models for Predicting Outcomes of Volleyball Matches [0.0]
  本稿では,ブラジルバレーボールリーグ(SuperLiga)における試合結果を予測するための2相説明可能な人工知能(XAI)アプローチについて検討する。 第1フェーズでは、解釈可能なルールベースのMLモデルを直接使用し、モデルの振る舞いをグローバルに理解する。 第2フェーズでは,SVM(Support Vector Machine)やDNN(Deep Neural Network)といった非線形モデルを構築し,バレーボールの試合結果の予測性能を得る。
  論文  参考訳（メタデータ） (2022-06-18T18:09:15Z)
• No-Regret Learning in Time-Varying Zero-Sum Games [99.86860277006318]
  固定ゼロサムゲームにおける繰り返しプレイからの学習は、ゲーム理論とオンライン学習における古典的な問題である。 提案手法は,3つの性能基準の下で,良好な保証を同時に享受できる1つのパラメータフリーアルゴリズムである。 本アルゴリズムは,ある特性を満たすブラックボックスベースラーナー群に対するメタアルゴリズムを用いた2層構造に基づく。
  論文  参考訳（メタデータ） (2022-01-30T06:10:04Z)
• DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing [117.41016786835452]
  本稿では,DeBERTaモデルの改良を目的とした,事前学習型言語モデルDeBERTaV3を提案する。 ELECTRAでのバニラ埋め込み共有は、トレーニング効率とモデルパフォーマンスを損なう。 そこで本研究では、タグ・オブ・ウォーのダイナミクスを回避するために、新しい勾配距離の埋め込み方式を提案する。
  論文  参考訳（メタデータ） (2021-11-18T06:48:00Z)
• Interpretable Real-Time Win Prediction for Honor of Kings, a Popular Mobile MOBA Esport [51.20042288437171]
  本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。 実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
  論文  参考訳（メタデータ） (2020-08-14T12:00:58Z)

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。