論文の概要: Leaving Goals on the Pitch: Evaluating Decision Making in Soccer

• arxiv url: http://arxiv.org/abs/2104.03252v1
• Date: Wed, 7 Apr 2021 16:56:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 14:48:26.620001
• Title: Leaving Goals on the Pitch: Evaluating Decision Making in Soccer
• Title（参考訳）: ゴールをピッチに残す:サッカーにおける意思決定の評価
• Authors: Maaike Van Roy, Pieter Robberechts, Wen-Chi Yang, Luc De Raedt, Jesse Davis
• Abstract要約: 機械学習と人工知能(AI)の技術を組み合わせてサッカーにおける意思決定を推論する汎用フレームワークを提案する。 私たちの重要な結論は、チームが少数のチーム固有の場所でペナルティボックスの外からより頻繁にショットした場合、より多くの目標を達成できるということです。
• 参考スコア（独自算出の注目度）: 21.85419069962932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analysis of the popular expected goals (xG) metric in soccer has determined that a (slightly) smaller number of high-quality attempts will likely yield more goals than a slew of low-quality ones. This observation has driven a change in shooting behavior. Teams are passing up on shots from outside the penalty box, in the hopes of generating a better shot closer to goal later on. This paper evaluates whether this decrease in long-distance shots is warranted. Therefore, we propose a novel generic framework to reason about decision-making in soccer by combining techniques from machine learning and artificial intelligence (AI). First, we model how a team has behaved offensively over the course of two seasons by learning a Markov Decision Process (MDP) from event stream data. Second, we use reasoning techniques arising from the AI literature on verification to each team's MDP. This allows us to reason about the efficacy of certain potential decisions by posing counterfactual questions to the MDP. Our key conclusion is that teams would score more goals if they shot more often from outside the penalty box in a small number of team-specific locations. The proposed framework can easily be extended and applied to analyze other aspects of the game.
• Abstract（参考訳）: サッカーにおける期待目標(xG)測定値の分析により、(わずかに)高品質な試みの数が低品質な試みよりも少ないことが判明した。 この観察は射撃行動に変化をもたらした。 チームはペナルティボックスの外からのショットをパスし、後でゴールに近づくより良いショットを生成することを望んでいます。 本稿では、長距離撮影におけるこの減少が保証されているかどうかを評価する。 そこで我々は,機械学習と人工知能(AI)の技術を組み合わせることで,サッカーにおける意思決定を推論する新しい枠組みを提案する。 第1に,イベントストリームデータからマルコフ決定プロセス(mdp)を学習することにより,チームが2シーズンにわたって不快に振る舞う様子をモデル化する。 第2に、各チームのMDPに対する検証において、AI文献から生じる推論技術を使用する。 これにより、MDPに反実的な質問をすることで、ある潜在的な決定の有効性を判断することができる。 私たちの重要な結論は、少数のチーム固有の場所でペナルティボックスの外からより頻繁にシュートすれば、チームはより多くのゴールを獲得する、ということです。 提案されたフレームワークは簡単に拡張でき、ゲームの他の側面を分析することができる。

関連論文リスト

• Infinite Ends from Finite Samples: Open-Ended Goal Inference as Top-Down Bayesian Filtering of Bottom-Up Proposals [48.437581268398866]
  オープンエンドゴール推論のシーケンシャルなモンテカルロモデルを導入する。 我々はこのモデルをブロックワードと呼ばれるゴール推論タスクで検証する。 実験では,人間理論の速度,精度,一般性を説明する上で,トップダウンモデルとボトムアップモデルを組み合わせることの重要性を強調した。
  論文  参考訳（メタデータ） (2024-07-23T18:04:40Z)
• Bayes-xG: Player and Position Correction on Expected Goals (xG) using Bayesian Hierarchical Approach [55.2480439325792]
  本研究は, 期待目標(xG)測定値を用いて, 目標となるショットの予測における選手や位置要因の影響について検討した。 StatsBombの公開データを使って、イングランドのプレミアリーグから1万発のショットを分析している。 この研究は、スペインのラ・リガとドイツのブンデスリーガのデータに分析を拡張し、同等の結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T21:54:02Z)
• A Strategic Framework for Optimal Decisions in Football 1-vs-1 Shot-Taking Situations: An Integrated Approach of Machine Learning, Theory-Based Modeling, and Game Theory [0.8206877486958002]
  関連する戦略を定量的に分析することで、意思決定の客観的基盤を提供することができる。 このような重要なシナリオの1つは、フットボールにおけるショットテイクであり、アタッカーがボールを撃つかパスするかといった決定が、ゲームの結果において重要な役割を果たす。 本稿では,ゲーム理論に基づくシナリオ分析のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-27T09:42:25Z)
• Explainable expected goal models for performance analysis in football analytics [5.802346990263708]
  本報告では,2014-15年と2020-21年の7シーズンから315,430発のショットをトレーニングした,欧州サッカーリーグのトップ5のゴールモデルを提案する。 我々の知る限りでは、この論文は、プロファイルを集約した説明可能な人工知能ツールの実用的な応用を実証した最初の論文である。
  論文  参考訳（メタデータ） (2022-06-14T23:56:03Z)
• Evaluation of creating scoring opportunities for teammates in soccer via trajectory prediction [7.688133652295848]
  実際の動作と軌道予測による参照動作を比較することで,オフボールスコアリングの機会を創出する選手を評価する。 検証のために,プロサッカーリーグのチーム全試合の年間給与,ゴール,評価との関係を検討した。 提案手法は,ボールのない選手がチームメイトに得点率を与えるための指標として有効であることが示唆された。
  論文  参考訳（メタデータ） (2022-06-04T03:58:37Z)
• The Paradox of Choice: Using Attention in Hierarchical Reinforcement Learning [59.777127897688594]
  サブゴールオプションのさらなる学習に使用できる、オンラインでモデルフリーなアルゴリズムを提案する。 訓練データ収集におけるハード・ソフト・アテンションの役割,長期的タスクにおける抽象的価値学習,および多数の選択肢に対する対処について検討する。
  論文  参考訳（メタデータ） (2022-01-24T13:18:02Z)
• "Why Would I Trust Your Numbers?" On the Explainability of Expected Values in Soccer [5.825190876052149]
  本稿では,ショットの期待値を推定する,説明可能な一般化付加モデルを提案する。 我々は、練習者が慣れ親しんだピッチ上の指定されたゾーンにショットをファジィに割り当てることで、ショットの位置を表現している。 実験により,我々のモデルは既存のモデルと同じくらい正確であり,サッカー実践者には説明し易いことがわかった。
  論文  参考訳（メタデータ） (2021-05-27T10:05:00Z)
• An analysis of Reinforcement Learning applied to Coach task in IEEE Very Small Size Soccer [2.5400028272658144]
  本稿では、強化学習(RL)に基づくコーチングタスクのエンドツーエンドアプローチを提案する。 シミュレーション環境では、3つの異なるチームに対して2つのRLポリシーをトレーニングしました。 結果はVSSSリーグのトップチームの1つに対して評価された。
  論文  参考訳（メタデータ） (2020-11-23T23:10:06Z)
• Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
  予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。 フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
  論文  参考訳（メタデータ） (2020-11-18T10:26:02Z)
• SAMOT: Switcher-Aware Multi-Object Tracking and Still Another MOT Measure [88.74585449906313]
  マルチオブジェクト追跡(MOT)はコンピュータビジョンにおいて一般的なトピックである。 アイデンティティ問題(Identity problem)、すなわち、オブジェクトは別のアイデンティティの別のオブジェクトと誤って関連付けられているが、依然として難しい問題である。 本稿では,マルチオブジェクト追跡のためのスイッチャー対応フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-22T06:22:21Z)
• Automatic Curriculum Learning through Value Disagreement [95.19299356298876]
  新しい未解決タスクを継続的に解決することが、多様な行動を学ぶための鍵です。 エージェントが複数の目標を達成する必要があるマルチタスク領域では、トレーニング目標の選択はサンプル効率に大きな影響を与える可能性がある。 そこで我々は,エージェントが解決すべき目標のための自動カリキュラムを作成することを提案する。 提案手法は,13のマルチゴールロボットタスクと5つのナビゲーションタスクにまたがって評価し,現在の最先端手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2020-06-17T03:58:25Z)

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。