論文の概要: Learning To Describe Player Form in The MLB
- arxiv url: http://arxiv.org/abs/2109.05280v1
- Date: Sat, 11 Sep 2021 13:42:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-14 15:31:13.292472
- Title: Learning To Describe Player Form in The MLB
- Title（参考訳）: MLBでプレイヤーフォームを記述できることを学ぶ
- Authors: Connor Heaton, Prasenjit Mitra
- Abstract要約: 本稿では,MLBにおけるプレイヤーフォームを記述するための,新しいコントラスト学習ベースのフレームワークを提案する。
私たちのフォーム表現には、プレイヤーがプレイのコースにどう影響するかの情報が含まれています。
これらの埋め込みは、ゲーム内のイベント、例えばアットバットやゲームの勝者の結果を予測するために使用できる。
- 参考スコア（独自算出の注目度）: 5.612162576040905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Major League Baseball (MLB) has a storied history of using statistics to
better understand and discuss the game of baseball, with an entire discipline
of statistics dedicated to the craft, known as sabermetrics. At their core, all
sabermetrics seek to quantify some aspect of the game, often a specific aspect
of a player's skill set - such as a batter's ability to drive in runs (RBI) or
a pitcher's ability to keep batters from reaching base (WHIP). While useful,
such statistics are fundamentally limited by the fact that they are derived
from an account of what happened on the field, not how it happened. As a first
step towards alleviating this shortcoming, we present a novel, contrastive
learning-based framework for describing player form in the MLB. We use form to
refer to the way in which a player has impacted the course of play in their
recent appearances. Concretely, a player's form is described by a
72-dimensional vector. By comparing clusters of players resulting from our form
representations and those resulting from traditional abermetrics, we
demonstrate that our form representations contain information about how players
impact the course of play, not present in traditional, publicly available
statistics. We believe these embeddings could be utilized to predict both
in-game and game-level events, such as the result of an at-bat or the winner of
a game.
- Abstract（参考訳）: メジャーリーグ野球(MLB、Major League Baseball)は、野球の試合をよりよく理解し、議論するために統計を使った歴史がある。
その中心となるものは、すべてのサーバーメトリックスがゲームのいくつかの側面を定量化することであり、しばしばプレイヤーのスキルセットの特定の側面である、例えばバッターのインラン能力(rbi)やバッターがベースに到達しないようにするピッチャー能力(whip)などである。
有用ではあるが、そのような統計は、現地で何が起こったのかという説明から来ているという事実によって、基本的に制限されている。
この欠点を緩和するための第一歩として,mlbにおけるプレーヤフォーム記述のための新しいコントラスト学習ベースのフレームワークを提案する。
我々は,選手が最近出現したプレーの行程にどのような影響を与えたかを示すためにフォームを使用する。
具体的には、プレイヤーのフォームは72次元ベクトルによって記述される。
我々のフォーム表現から得られるプレイヤーのクラスタと従来のアバメトリックスから得られるプレイヤーのクラスタを比較することで、我々のフォーム表現がプレイヤーがプレイのコースにどう影響するかの情報を含んでいることを実証する。
これらの埋め込みは、ゲーム内およびゲームレベルのイベント、例えば、アットバットやゲームの勝者の結果を予測するために利用できると信じています。
関連論文リスト
- RisingBALLER: A player is a token, a match is a sentence, A path towards a foundational model for football players data analytics [0.0]
RisingBALLERは、フットボールの試合データに基づいてトレーニングされたトランスフォーマーモデルを利用して、マッチ固有のプレーヤー表現を学習する最初の公開アプローチである。
単純な機械学習モデル以上の、RisingBALLERは、プレーヤーのための高度な基礎的特徴を学習することによって、フットボールデータ分析を変換するように設計された包括的なフレームワークである。
論文 参考訳（メタデータ） (2024-10-01T14:39:22Z) - SkillMimic: Learning Reusable Basketball Skills from Demonstrations [85.23012579911378]
SkillMimicは、人間とボールの両方の動きを模倣して、さまざまなバスケットボールスキルを学習するデータ駆動型アプローチである。
SkillMimicは、人間とボールのモーションデータセットから多様なスキルを学ぶために、統一された構成を採用している。
SkillMimicが獲得したスキルは、高レベルのコントローラーで簡単に再利用でき、複雑なバスケットボールのタスクをこなせる。
論文 参考訳（メタデータ） (2024-08-12T15:19:04Z) - CAMP: A Context-Aware Cricket Players Performance Metric [0.8312466807725919]
我々は,クリケットマッチ結果に対する個々の選手の貢献度を定量化するために,プレイヤパフォーマンスのコンテキスト対応指標であるCAMPを提案する。
CAMPはデータマイニング手法を採用し、選択とドラフト、コーチングとトレーニング、チームラインアップ、戦略開発に効果的なデータ駆動意思決定を可能にする。
2001年から2019年にかけてのクリケットの試合データからCAMPを実験的に評価した。
論文 参考訳（メタデータ） (2023-07-14T15:12:10Z) - Beyond the Meta: Leveraging Game Design Parameters for Patch-Agnostic
Esport Analytics [4.1692797498685685]
スポーツゲームは世界のゲーム市場の相当な割合を占めており、ゲームの中では最速の成長セグメントである。
伝統的なスポーツと比較して、エスポートのタイトルは、メカニックやルールの観点から急速に変化する。
本稿では,ゲームデザイン(パッチノートなど)から情報を抽出し,クラスタリング手法を用いて文字表現の新たな形式を提案する。
論文 参考訳（メタデータ） (2023-05-29T11:05:20Z) - Understanding why shooters shoot -- An AI-powered engine for basketball
performance profiling [70.54015529131325]
バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。
パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。
プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
論文 参考訳（メタデータ） (2023-03-17T01:13:18Z) - A Graph-Based Method for Soccer Action Spotting Using Unsupervised
Player Classification [75.93186954061943]
アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。
本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。
プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
論文 参考訳（メタデータ） (2022-11-22T15:23:53Z) - Principal Trade-off Analysis [79.16635054977068]
低次元特徴空間にゲームを埋め込む分解法であるPTA(Principal Trade-off Analysis)を示す。
PTAは2次元特徴平面の対の重み付け和として任意の2-player 0-sumゲームを表す。
ゲーム四重奏におけるPTAの有効性を示す(Kuhn poker, RPS+2, Blotto, Pokemon)。
論文 参考訳（メタデータ） (2022-06-09T18:16:28Z) - Computing an Optimal Pitching Strategy in a Baseball At-Bat [19.933511825856126]
野球のat-batは、投手とバッターのマッチアップです。
ゼロサムゲームとして,この出会いの新たなモデルを提案する。
原則として、このゲームは古典的なアプローチで解決できる。
論文 参考訳（メタデータ） (2021-10-08T18:09:08Z) - 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) - A Tracking System For Baseball Game Reconstruction [0.0]
本研究では, ピッチャー, バッター, ボールの動きを, 高精細度で捉えるシステムを提案する。
我々は,従来のシステムと同等の結果が得られるビデオの大規模データベースを実演する。
さらに、選手、コーチ、チーム、ファンが利用できる情報の量を増やすために、最先端のAI技術が組み込まれています。
論文 参考訳（メタデータ） (2020-03-08T22:04:54Z) - An Information-Theoretic Approach to Personalized Explainable Machine
Learning [92.53970625312665]
本稿では,予測とユーザ知識のための簡易確率モデルを提案する。
説明と予測の間の条件付き相互情報による説明の効果を定量化する。
論文 参考訳（メタデータ） (2020-03-01T13:06:29Z)
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。