論文の概要: NBA2Vec: Dense feature representations of NBA players

• arxiv url: http://arxiv.org/abs/2302.13386v1
• Date: Sun, 26 Feb 2023 19:05:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 17:27:07.224406
• Title: NBA2Vec: Dense feature representations of NBA players
• Title（参考訳）: NBA2Vec:NBA選手の特徴表現
• Authors: Webster Guan, Nauman Javed, Peter Lu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding a player's performance in a basketball game requires an evaluation of the player in the context of their teammates and the opposing lineup. Here, we present NBA2Vec, a neural network model based on Word2Vec which extracts dense feature representations of each player by predicting play outcomes without the use of hand-crafted heuristics or aggregate statistical measures. Specifically, our model aimed to predict the outcome of a possession given both the offensive and defensive players on the court. By training on over 3.5 million plays involving 1551 distinct players, our model was able to achieve a 0.3 K-L divergence with respect to the empirical play-by-play distribution. The resulting embedding space is consistent with general classifications of player position and style, and the embedding dimensions correlated at a significant level with traditional box score metrics. Finally, we demonstrate that NBA2Vec accurately predicts the outcomes to various 2017 NBA Playoffs series, and shows potential in determining optimal lineup match-ups. Future applications of NBA2Vec embeddings to characterize players' style may revolutionize predictive models for player acquisition and coaching decisions that maximize team success.
• Abstract（参考訳）: バスケットボールの試合における選手のパフォーマンスを理解するには、チームメイトと相手ラインアップのコンテキストにおける選手の評価が必要である。 本稿では,word2vecに基づくニューラルネットワークモデルであるnba2vecについて述べる。これは,手作りのヒューリスティックや集計統計指標を使わずに遊技結果を予測することによって,各選手の密集した特徴表現を抽出する。 特に,本モデルは,裁判所における攻撃的及び防御的選手の双方から,所有の成果を予測することを目的とした。 1551人の異なるプレイヤーによる350万以上のプレイをトレーニングすることで、経験的プレイ・バイ・プレイ分布に対して0.3k-lの分岐を達成した。 結果として得られる埋め込み空間は、プレイヤーの位置とスタイルの一般的な分類と一致しており、埋め込み次元は伝統的なボックススコアの指標とかなりのレベルで相関している。 最後に,NBA2Vecが2017年のNBAプレーオフシリーズの結果を正確に予測し,最適ラインアップマッチを決定する可能性を示す。 選手のスタイルを特徴付けるnba2vec埋め込みの今後の応用は、チームの成功を最大化するプレイヤー獲得とコーチング決定の予測モデルに革命をもたらす可能性がある。

関連論文リスト

• 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)
• Offensive Lineup Analysis in Basketball with Clustering Players Based on Shooting Style and Offensive Role [0.9002260638342727]
  本研究の目的は,演奏スタイルの整合性がスコアリング効率に与える影響を,攻撃のみに焦点をあてて,より具体的に分析することである。 本研究では、追跡データを用いたシューティングスタイルクラスタリングと、アノテートされたプレイタイプと高度な統計に基づく攻撃的なロールクラスタリングの2つの方法を用いる。 これら2つのクラスタリングから得られたラインアップ情報に基づいて、スコアリング効率を表す統計を予測した機械学習モデルベイズモデルを訓練し、解釈した。
  論文  参考訳（メタデータ） (2024-03-04T03:09:25Z)
• 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)
• Can a face tell us anything about an NBA prospect? -- A Deep Learning approach [0.0]
  画像解析と畳み込みニューラルネットワークを,各ドラフトクラスから新たに作成した選手のキャリア軌跡を予測するために展開する。 1990年以降のドラフト毎に,約1500枚の画像データからなるデータベースを構築した。 筆者らは,データ中の一般的な事前学習画像分類モデルを訓練し,新人選手のキャリアを確実に予測するモデルを作成するために,一連の実験を行った。
  論文  参考訳（メタデータ） (2022-12-13T18:36:29Z)
• 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)
• WinoGAViL: Gamified Association Benchmark to Challenge Vision-and-Language Models [91.92346150646007]
  本研究では,視覚・言語関係を収集するオンラインゲームであるWinoGAViLを紹介する。 私たちはこのゲームを使って3.5Kのインスタンスを収集し、それらが人間には直感的だが最先端のAIモデルには挑戦的であることを発見した。 我々の分析とプレイヤーからのフィードバックは、収集された協会が多様な推論スキルを必要とすることを示している。
  論文  参考訳（メタデータ） (2022-07-25T23:57:44Z)
• 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)
• Features selection in NBA outcome prediction through Deep Learning [0.0]
  1つの特徴(エロ評価または相対的な勝利頻度)に基づくモデルが、ボックススコア予測器を用いたモデルよりも適合する品質を持つことを示す。 16のNBAレギュラーシーズンのデータを含むデータセットでは、特徴が指数関数として計算されている。
  論文  参考訳（メタデータ） (2021-11-17T16:32:11Z)
• Multi-Modal Trajectory Prediction of NBA Players [14.735704310108101]
  本稿では,プレイヤーのマルチモーダルな動作を捉える手法を提案する。 本手法は,マルチモーダル損失関数を用いて学習した複数の軌道とその確率を予測するLSTMアーキテクチャ上に構築される。 NBA追跡データ大きめの実験により,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-18T11:35:44Z)
• 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。