論文の概要: Graph Neural Networks to Predict Sports Outcomes
- arxiv url: http://arxiv.org/abs/2207.14124v1
- Date: Thu, 28 Jul 2022 14:45:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-29 12:46:00.762620
- Title: Graph Neural Networks to Predict Sports Outcomes
- Title（参考訳）: スポーツ結果を予測するグラフニューラルネットワーク
- Authors: Peter Xenopoulos, Claudio Silva
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting outcomes in sports is important for teams, leagues, bettors,
media, and fans. Given the growing amount of player tracking data, sports
analytics models are increasingly utilizing spatially-derived features built
upon player tracking data. However, player-specific information, such as
location, cannot readily be included as features themselves, since common
modeling techniques rely on vector input. Accordingly, spatially-derived
features are commonly constructed in relation to anchor objects, such as the
distance to a ball or goal, through global feature aggregations, or via
role-assignment schemes, where players are designated a distinct role in the
game. In doing so, we sacrifice inter-player and local relationships in favor
of global ones. To address this issue, we introduce a sport-agnostic
graph-based representation of game states. We then use our proposed graph
representation as input to graph neural networks to predict sports outcomes.
Our approach preserves permutation invariance and allows for flexible player
interaction weights. We demonstrate how our method provides statistically
significant improvements over the state of the art for prediction tasks in both
American football and esports, reducing test set loss by 9% and 20%,
respectively. Additionally, we show how our model can be used to answer "what
if" questions in sports and to visualize relationships between players.
- Abstract（参考訳）: スポーツの結果を予測することは、チーム、リーグ、ベクター、メディア、ファンにとって重要である。
選手追跡データの増加を踏まえ、スポーツ分析モデルでは、選手追跡データに基づく空間的特徴の利用が増えている。
しかし、一般的なモデリング技術はベクトル入力に依存しているため、ロケーションのようなプレイヤー固有の情報は機能として簡単には含められない。
したがって、空間的に派生した特徴は、ボールやゴールまでの距離、大域的な特徴集約、あるいはプレイヤーがゲームにおいて異なる役割を指定されるロール割り当てスキームなど、アンカーオブジェクトに関して一般的に構築される。
そうすることで、プレイヤー間の関係と地域関係を犠牲にし、グローバルな関係を優先します。
この問題に対処するために,スポーツに依存しないゲーム状態のグラフ表現を提案する。
次に,提案する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。
我々の手法は置換不変性を保ち、フレキシブルなプレイヤー相互作用重み付けを可能にする。
本手法は,アメリカンフットボールとエスポートの双方における予測課題に対して,統計的に有意な改善を実現し,テストセットの損失を9%と20%削減することを示した。
さらに,スポーツにおける「もしもし」質問への回答や,選手間の関係を視覚化するために,我々のモデルをどのように利用できるかを示す。
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) - Graph Encoding and Neural Network Approaches for Volleyball Analytics:
From Game Outcome to Individual Play Predictions [5.399740513992854]
我々は,すでに利用可能なバレーボールデータセットにコンタクトバイコンタクトバレーボールコンテキストを追加するための,特殊なグラフ符号化手法を導入する。
この強化データセットにグラフニューラルネットワーク(GNN)を用いた3つのバレーボール予測タスクの潜在的な利点を実証する。
以上の結果から,グラフエンコーディングによるGNNの利用により,より高度なデータ解析が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-08-22T02:51:42Z) - Estimation of control area in badminton doubles with pose information
from top and back view drone videos [11.679451300997016]
我々はバドミントンダブルスでトップとバックビューから最初の注釈付きドローンデータセットを提示する。
チームワークのパフォーマンスを評価するために,制御領域の確率マップを推定するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-07T11:18:39Z) - 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) - Who You Play Affects How You Play: Predicting Sports Performance Using
Graph Attention Networks With Temporal Convolution [29.478765505215538]
本研究では,スポーツにおける選手のパフォーマンスを予測するための新しい深層学習手法であるGATv2-GCNを提案する。
グラフアテンションネットワークを使用して、各プレイヤーが互いに支払うアテンションをキャプチャし、より正確なモデリングを可能にします。
実世界スポーツデータを用いたモデルの性能評価を行い,選手のパフォーマンス予測の有効性を実証した。
論文 参考訳（メタデータ） (2023-03-29T14:48:51Z) - Event Detection in Football using Graph Convolutional Networks [0.0]
ビデオシーケンスの各フレームにおけるプレーヤとボールをグラフとしてモデル化する方法を示す。
本稿では,各アクションの周囲に存在する時間的コンテキストをモデル化するためのグラフ畳み込み層とプール法について述べる。
論文 参考訳（メタデータ） (2023-01-24T14:52:54Z) - 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) - A Survey on Video Action Recognition in Sports: Datasets, Methods and
Applications [60.3327085463545]
本稿では,スポーツ分析のための映像行動認識に関する調査を行う。
サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。
本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
論文 参考訳（メタデータ） (2022-06-02T13:19:36Z) - 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) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。