論文の概要: Transfer Portal: Accurately Forecasting the Impact of a Player Transfer in Soccer

• arxiv url: http://arxiv.org/abs/2201.11533v1
• Date: Thu, 27 Jan 2022 14:15:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-28 18:40:26.045338
• Title: Transfer Portal: Accurately Forecasting the Impact of a Player Transfer in Soccer
• Title（参考訳）: transfer portal: サッカーにおける選手の移動の影響を正確に予測する
• Authors: Daniel Dinsdale and Joe Gallagher
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the most important and challenging problems in football is predicting future player performance when transferred to another club within and between different leagues. In addition to being the most valuable prediction a team makes, it is also the most complex analytics task to perform as it needs to take into consideration: a) differences in playing style between the player's current team and target team, b) differences in style and ability of other players on each team, c) differences in league quality and style, and d) the role the player is desired to play. In this paper, we present a method which addresses these issues and enables us to make accurate predictions of future performance. Our Transfer Portal model utilizes a personalized neural network accounting for both stylistic and ability level input representations for players, teams, and leagues to simulate future player performance at any chosen club. Furthermore, we use a Bayesian updating framework to dynamically modify player and team representations over time which enables us to generate predictions for rising stars with small amounts of data.
• Abstract（参考訳）: サッカーにおける最も重要で困難な問題の1つは、異なるリーグ内の他のクラブに移籍した選手のパフォーマンスを予測することである。 チームが最も価値のある予測であることに加えて、考慮する必要がある場合に実行する分析タスクとしては、最も複雑なものでもある。 a) プレーヤーの現在のチームとターゲットチームとのプレースタイルの違い。 b) 各チームにおける他の選手のスタイルと能力の違い c) リーグの質とスタイルの相違、及び d) プレーヤがプレイしたい役割。 本稿では,これらの問題に対処し,将来の性能を正確に予測する手法を提案する。 私たちのトランスファーポータルモデルは、プレイヤー、チーム、リーグのスタイルと能力レベルの入力表現の両方をパーソナライズされたニューラルネットワークで計算し、選択したクラブでの選手の将来のパフォーマンスをシミュレートします。 さらに,ベイジアン更新フレームワークを用いてプレイヤーとチームの表現を時間とともに動的に変更することにより,少量のデータで星の上昇を予測できる。

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)
• Estimating Player Performance in Different Contexts Using Fine-tuned Large Events Models [0.7373617024876725]
  本稿では,Large Event Models (LEM) のサッカー解析への応用について紹介する。 LEMは、単語ではなく、後続のイベントの変数を予測する。 我々は、2017-18シーズンのプレミアリーグシーズンのWyScoutデータセットによる微調整LEMに焦点を当てている。
  論文  参考訳（メタデータ） (2024-02-09T22:47:25Z)
• Performance Insights-based AI-driven Football Transfer Fee Prediction [0.0]
  我々は,選手の移動料金を予測する人工知能アプローチを開発した。 このモデルは、クラブがどのプレイヤーを購入、販売するかをよりよく決定するのに役立ち、パフォーマンスの向上とクラブ予算の増大につながる。
  論文  参考訳（メタデータ） (2024-01-30T07:16:09Z)
• About latent roles in forecasting players in team sports [47.066729480128856]
  チームスポーツは、チームメイトと相手とのインタラクションに影響を与える重要な社会的要素を含んでいる。 RolForはロールベースのForecastingのための新しいエンドツーエンドモデルです。
  論文  参考訳（メタデータ） (2023-04-17T13:33:23Z)
• 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)
• Graph Neural Networks to Predict Sports Outcomes [0.0]
  スポーツに依存しないグラフによるゲーム状態の表現を導入する。 次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
  論文  参考訳（メタデータ） (2022-07-28T14:45:02Z)
• 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)
• 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)
• 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)
• 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。