論文の概要: Machine Learning in Sports: A Case Study on Using Explainable Models for
Predicting Outcomes of Volleyball Matches
- arxiv url: http://arxiv.org/abs/2206.09258v1
- Date: Sat, 18 Jun 2022 18:09:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 14:01:49.336197
- Title: Machine Learning in Sports: A Case Study on Using Explainable Models for
Predicting Outcomes of Volleyball Matches
- Title（参考訳）: スポーツにおける機械学習:バレーボールの試合結果予測に説明可能なモデルを用いたケーススタディ
- Authors: Abhinav Lalwani, Aman Saraiya, Apoorv Singh, Aditya Jain, Tirtharaj
Dash
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Machine Learning has become an integral part of engineering design and
decision making in several domains, including sports. Deep Neural Networks
(DNNs) have been the state-of-the-art methods for predicting outcomes of
professional sports events. However, apart from getting highly accurate
predictions on these sports events outcomes, it is necessary to answer
questions such as "Why did the model predict that Team A would win Match X
against Team B?" DNNs are inherently black-box in nature. Therefore, it is
required to provide high-quality interpretable, and understandable explanations
for a model's prediction in sports. This paper explores a two-phased
Explainable Artificial Intelligence(XAI) approach to predict outcomes of
matches in the Brazilian volleyball League (SuperLiga). In the first phase, we
directly use the interpretable rule-based ML models that provide a global
understanding of the model's behaviors based on Boolean Rule Column Generation
(BRCG; extracts simple AND-OR classification rules) and Logistic Regression
(LogReg; allows to estimate the feature importance scores). In the second
phase, we construct non-linear models such as Support Vector Machine (SVM) and
Deep Neural Network (DNN) to obtain predictive performance on the volleyball
matches' outcomes. We construct the "post-hoc" explanations for each data
instance using ProtoDash, a method that finds prototypes in the training
dataset that are most similar to the test instance, and SHAP, a method that
estimates the contribution of each feature on the model's prediction. We
evaluate the SHAP explanations using the faithfulness metric. Our results
demonstrate the effectiveness of the explanations for the model's predictions.
- Abstract（参考訳）: 機械学習は、スポーツを含むいくつかの領域におけるエンジニアリング設計と意思決定の不可欠な部分となっている。
ディープニューラルネットワーク(dnn)は、プロスポーツイベントの結果を予測する最先端の手法である。
しかし、これらのスポーツイベントの結果について非常に正確な予測を得るのとは別に、「なぜモデルがチームAがマッチXに勝つと予測したのか?
DNNは本質的にブラックボックスである。
したがって,スポーツにおけるモデルの予測には,高品質な解釈可能,理解可能な説明が必要である。
本稿では,ブラジルバレーボールリーグ(superliga)における試合結果予測のための2相説明型人工知能(xai)アプローチについて検討する。
第1フェーズでは、ブールルール列生成(BRCG、単純なAND-OR分類規則を抽出する)とロジスティック回帰(LogReg、特徴重要度スコアを推定する)に基づいて、モデル動作のグローバルな理解を提供する解釈可能なルールベースMLモデルを直接使用します。
第2フェーズでは,バレーボールの試合結果の予測性能を得るために,サポートベクターマシン(svm)やディープニューラルネットワーク(dnn)などの非線形モデルを構築した。
テストインスタンスと最もよく似たトレーニングデータセットのプロトタイプを見つける方法であるProtoDashと、モデルの予測に対する各機能の貢献を推定するメソッドであるSHAPを用いて、各データインスタンスの"ポストホック"説明を構築した。
忠実度指標を用いてシェープ説明を評価する。
本結果は,モデルの予測に対する説明の有効性を示す。
関連論文リスト
- Machine Learning for Soccer Match Result Prediction [0.9002260638342727]
本章では、利用可能なデータセット、モデルと機能のタイプ、モデルパフォーマンスを評価する方法について論じる。
本章の目的は,サッカーの試合結果予測のための機械学習の現状と今後の展開について概説することである。
論文 参考訳（メタデータ） (2024-03-12T14:00:50Z) - ShuttleSHAP: A Turn-Based Feature Attribution Approach for Analyzing
Forecasting Models in Badminton [52.21869064818728]
バドミントンにおけるプレイヤー戦術予測のための深層学習アプローチは、部分的にはラリープレイヤの相互作用に関する効果的な推論に起因する有望なパフォーマンスを示している。
本稿では,Shapley値の変量に基づいてバドミントンにおける予測モデルを解析するためのターンベース特徴属性手法であるShuttleSHAPを提案する。
論文 参考訳（メタデータ） (2023-12-18T05:37:51Z) - Supervised Learning for Table Tennis Match Prediction [2.7835697868135902]
本稿では,テーブルテニスシングルマッチの結果を予測するために機械学習を用いることを提案する。
我々は,プレイヤーとマッチング統計を特徴として用いて,その相対的重要性をアブレーション研究で評価する。
結果は将来の卓球予測モデルのベースラインとして機能し、同様の球技の予測研究にフィードバックすることができる。
論文 参考訳（メタデータ） (2023-03-28T17:42:13Z) - Rationalizing Predictions by Adversarial Information Calibration [65.19407304154177]
我々は2つのモデルを共同で訓練する: 1つは、正確だがブラックボックスな方法でタスクを解く典型的なニューラルモデルであり、もう1つは、予測の理論的根拠を付加するセレクタ・予測モデルである。
我々は,2つのモデルから抽出した情報を,それらの違いが欠落した特徴や過度に選択された特徴の指標であるように校正するために,敵対的手法を用いる。
論文 参考訳（メタデータ） (2023-01-15T03:13:09Z) - Boosted Dynamic Neural Networks [53.559833501288146]
典型的なEDNNは、ネットワークバックボーンの異なる層に複数の予測ヘッドを持つ。
モデルを最適化するために、これらの予測ヘッドとネットワークバックボーンは、トレーニングデータのバッチ毎にトレーニングされる。
トレーニングと2つのフェーズでのインプットの異なるテストは、トレーニングとデータ分散のテストのミスマッチを引き起こす。
EDNNを勾配強化にインスパイアされた付加モデルとして定式化し、モデルを効果的に最適化するための複数のトレーニング手法を提案する。
論文 参考訳（メタデータ） (2022-11-30T04:23:12Z) - Evaluating the Explainers: Black-Box Explainable Machine Learning for
Student Success Prediction in MOOCs [5.241055914181294]
ブラックボックス機械学習モデルを説明するための5つの最先端手法を実装した。
学生のパフォーマンス予測の下流課題に対する各アプローチの強みについて検討する。
この結果は,説明者の選択が重要な決定である,という結論に至った。
論文 参考訳（メタデータ） (2022-07-01T17:09:17Z) - Explain, Edit, and Understand: Rethinking User Study Design for
Evaluating Model Explanations [97.91630330328815]
我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。
単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
論文 参考訳（メタデータ） (2021-12-17T18:29:56Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳（メタデータ） (2021-08-04T16:32:59Z) - Learning from the Best: Rationalizing Prediction by Adversarial
Information Calibration [39.685626118667074]
2つのモデルを共同でトレーニングする。1つは手前のタスクを正確だがブラックボックスな方法で解く典型的なニューラルモデルであり、もう1つはセレクタ-予測モデルであり、予測の根拠も生み出す。
両モデルから抽出した情報の校正には,逆数に基づく手法を用いる。
自然言語タスクには, 言語モデルに基づく正規化子を用いて, 流線型論理の抽出を促進することを提案する。
論文 参考訳（メタデータ） (2020-12-16T11:54:15Z) - Explainable Artificial Intelligence: How Subsets of the Training Data
Affect a Prediction [2.3204178451683264]
データサブセットの重要性をトレーニングするためにShapley値と呼ぶ新しい方法論を提案します。
提案手法を用いて,モデルの偏りや誤ったトレーニングデータを明らかにする方法を示す。
この説明は、アルゴリズムの内部動作をより認識し、同様の予測を生成するモデルがトレーニングデータの非常に異なる部分に基づいている方法を説明することを可能にすると主張しています。
論文 参考訳（メタデータ） (2020-12-07T12:15:47Z) - 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。