論文の概要: Large Scale Diverse Combinatorial Optimization: ESPN Fantasy Football
Player Trades
- arxiv url: http://arxiv.org/abs/2111.02859v1
- Date: Thu, 4 Nov 2021 13:39:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-05 19:03:16.783736
- Title: Large Scale Diverse Combinatorial Optimization: ESPN Fantasy Football
Player Trades
- Title（参考訳）: 大規模多種多様な組合せ最適化:espnファンタジーフットボール選手の取引
- Authors: Aaron Baughman, Daniel Bohm, Micah Forster, Eduardo Morales, Jeff
Powell, Shaun McPartlin, Raja Hebbar, Kavitha Yogaraj
- Abstract要約: 新規で多様な最適化システムは、貿易公正性のバランスをとるために、相補的なチーム間の高いボリュームとユニークなプレーヤの取引を提案する。
いくつかのアルゴリズムは、各ファンタジーフットボール選手のバリュエーションを作成する。
プレイヤーの引き抜きのコストは、位置の深さ、スロット数、位置の重要性など、チームのロースターに関係している。
- 参考スコア（独自算出の注目度）: 0.29316801942271303
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Even skilled fantasy football managers can be disappointed by their
mid-season rosters as some players inevitably fall short of draft day
expectations. Team managers can quickly discover that their team has a low
score ceiling even if they start their best active players. A novel and diverse
combinatorial optimization system proposes high volume and unique player trades
between complementary teams to balance trade fairness. Several algorithms
create the valuation of each fantasy football player with an ensemble of
computing models: Quantum Support Vector Classifier with Permutation Importance
(QSVC-PI), Quantum Support Vector Classifier with Accumulated Local Effects
(QSVC-ALE), Variational Quantum Circuit with Permutation Importance (VQC-PI),
Hybrid Quantum Neural Network with Permutation Importance (HQNN-PI), eXtreme
Gradient Boosting Classifier (XGB), and Subject Matter Expert (SME) rules. The
valuation of each player is personalized based on league rules, roster, and
selections. The cost of trading away a player is related to a team's roster,
such as the depth at a position, slot count, and position importance. Teams are
paired together for trading based on a cosine dissimilarity score so that teams
can offset their strengths and weaknesses. A knapsack 0-1 algorithm computes
outgoing players for each team. Postprocessors apply analytics and deep
learning models to measure 6 different objective measures about each trade.
Over the 2020 and 2021 National Football League (NFL) seasons, a group of 24
experts from IBM and ESPN evaluated trade quality through 10 Football Error
Analysis Tool (FEAT) sessions. Our system started with 76.9% of high-quality
trades and was deployed for the 2021 season with 97.3% of high-quality trades.
To increase trade quantity, our quantum, classical, and rules-based computing
have 100% trade uniqueness. We use Qiskit's quantum simulators throughout our
work.
- Abstract（参考訳）: 熟練したファンタジーフットボールのマネージャーでさえ、シーズン半ばのロスターたちに失望することがある。
チームマネージャは、チームが最高のアクティブプレイヤーを始めても、スコアの天井が低いことをすぐに発見できます。
新たな多種多様な組み合わせ最適化システムは、取引の公平さのバランスをとるために、補完的なチーム間での高ボリュームかつ独特な取引を提案する。
量子サポートベクトル分類器(qsvc-pi)、累積局所効果(qsvc-ale)を持つ量子サポートベクトル分類器(qsvc-ale)、置換重要度(vqc-pi)を持つ変分量子回路(vqc-pi)、置換重要度(hqnn-pi)を持つハイブリッド量子ニューラルネットワーク(hqnn-pi)、極端な勾配強調分類器(xgb)、主題エキスパート(sme)ルール。
各選手の評価はリーグルール、ロースター、選択に基づいてパーソナライズされる。
プレイヤーを交換するコストは、位置の深さ、スロット数、位置の重要性など、チームのロースターに関係している。
チームが強みと弱みを相殺できるように、チームはコサインの相違点に基づいて取引のためにペアを組む。
knapsack 0-1アルゴリズムは各チームのアウトゴープレイヤを計算する。
ポストプロセッサは分析モデルとディープラーニングモデルを適用し、各取引に関する6つの客観的指標を測定します。
2020年と2021年のNFLでは、IBMとESPNの24人の専門家が、フットボールエラー分析ツール(FEAT)の10セッションを通じて、貿易品質を評価した。
我々のシステムは高品質取引の76.9%から始まり、高品質取引の97.3%で2021年シーズンに展開した。
取引量を増やすために、量子、古典、ルールベースのコンピューティングは、100%取引のユニークさを持っています。
私たちはqiskitの量子シミュレータを作業中に使用しています。
関連論文リスト
- Imperfect-Recall Games: Equilibrium Concepts and Their Complexity [74.01381499760288]
エージェントが以前保持していた情報を忘れたとき、不完全なリコールの下で最適な意思決定を行う。
不完全なリコールを伴う広範囲形式のゲームフレームワークにおいて、マルチプレイヤー設定における平衡を求める際の計算複雑性を解析する。
論文 参考訳（メタデータ） (2024-06-23T00:27:28Z) - NBA2Vec: Dense feature representations of NBA players [0.0]
本稿では,各プレーヤの高密度特徴表現を抽出するWord2Vecに基づくニューラルネットワークモデルであるNBA2Vecを提案する。
NBA2Vecは、2017年のNBAプレイオフシリーズの結果を正確に予測する。
NBA2Vec埋め込みの今後の応用は、プレイヤーのスタイルを特徴付けることで、プレイヤーの獲得とコーチング決定のための予測モデルに革命をもたらす可能性がある。
論文 参考訳（メタデータ） (2023-02-26T19:05:57Z) - Data Science Approach to predict the winning Fantasy Cricket Team Dream
11 Fantasy Sports [0.0]
データサイエンスと分析の応用は現代世界ではユビキタスである。
ゲームプレイヤのパフォーマンスを予測する予測モデルを構築した。
論文 参考訳（メタデータ） (2022-09-15T01:58:57Z) - Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。
提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。
次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
論文 参考訳（メタデータ） (2022-03-10T02:37:39Z) - Study of Feature Importance for Quantum Machine Learning Models [0.0]
予測器の重要性は、古典的および量子機械学習(QML)におけるデータ前処理パイプラインの重要な部分である
この研究は、QMLモデルの特徴的重要性を探求し、彼らの古典的機械学習(CML)と対比した最初の研究である。
我々はQMLモデルを訓練し、実世界のデータセット上で古典的アルゴリズムから特徴的重要度を計算するハイブリッド量子古典的アーキテクチャを開発した。
論文 参考訳（メタデータ） (2022-02-18T15:21:47Z) - Transfer Portal: Accurately Forecasting the Impact of a Player Transfer
in Soccer [0.0]
異なるリーグ間で転送される場合、将来のプレイヤーのパフォーマンスを予測することは複雑な作業である。
本稿では,これらの問題に対処し,今後の性能を正確に予測する手法を提案する。
我々のTransfer Portalモデルは、プレイヤー、チーム、リーグのスタイリスティックなレベルの入力表現と能力レベルの入力表現の両方にパーソナライズされたニューラルネットワークを使用して、選択されたクラブの選手のパフォーマンスをシミュレートする。
論文 参考訳（メタデータ） (2022-01-27T14:15:09Z) - Deep Artificial Intelligence for Fantasy Football Language Understanding [0.32622301272834525]
本研究ではESPN Fantasy Footballチームを管理するための機械学習パイプラインの結果について論じる。
このシステムは自然言語を100%の類似検定精度と80%のキーワード検定精度で理解する。
ディープラーニングフィードフォワードニューラルネットワークは、プレイヤーがバスト、ブーム、隠れた怪我でプレイしたり、累積的な72%の精度で意味のあるタッチをプレイしたりといったプレイヤーの分類を提供する。
論文 参考訳（メタデータ） (2021-11-04T14:02:11Z) - 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) - Multi-Agent Collaboration via Reward Attribution Decomposition [75.36911959491228]
本稿では,StarCraftのマルチエージェントチャレンジにおいて,最先端のパフォーマンスを実現するコラボレーション型Q-ラーニング(CollaQ)を提案する。
CollaQは様々なStarCraft属性マップで評価され、既存の最先端技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-10-16T17:42:11Z) - Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies
in Extensive-Form Zero-Sum Games [123.76716667704625]
我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。
この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。
各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-09-21T17:51:57Z) - Signaling in Bayesian Network Congestion Games: the Subtle Power of
Symmetry [66.82463322411614]
本論文は, 最適遠点透過型シグナリング方式の問題点に焦点をあて, 対称性がその解法において重要な性質であることを示す。
プレイヤーが対称でアフィンコスト関数を持つとき,最適なエクアント説得スキームが計算可能であることを示す。
論文 参考訳（メタデータ） (2020-02-12T19:38:15Z)
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。