論文の概要: Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution

• arxiv url: http://arxiv.org/abs/2303.16741v1
• Date: Wed, 29 Mar 2023 14:48:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 14:33:46.604520
• Title: Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution
• Title（参考訳）: 遊び方に影響する人: 時間的畳み込みを伴うグラフアテンションネットワークによるスポーツパフォーマンスの予測
• Authors: Rui Luo and Vikram Krishnamurthy
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 29.478765505215538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a novel deep learning method, called GATv2-GCN, for predicting player performance in sports. To construct a dynamic player interaction graph, we leverage player statistics and their interactions during gameplay. We use a graph attention network to capture the attention that each player pays to each other, allowing for more accurate modeling of the dynamic player interactions. To handle the multivariate player statistics time series, we incorporate a temporal convolution layer, which provides the model with temporal predictive power. We evaluate the performance of our model using real-world sports data, demonstrating its effectiveness in predicting player performance. Furthermore, we explore the potential use of our model in a sports betting context, providing insights into profitable strategies that leverage our predictive power. The proposed method has the potential to advance the state-of-the-art in player performance prediction and to provide valuable insights for sports analytics and betting industries.
• Abstract（参考訳）: 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。 動的プレイヤーインタラクショングラフを構築するために,ゲームプレイ中のプレイヤー統計とその相互作用を利用する。 我々はグラフアテンションネットワークを用いて、各プレイヤーが互いに支払う注意を捉え、動的プレイヤーの相互作用をより正確にモデリングすることができる。 多変量プレイヤー統計時系列を扱うために、時間的畳み込み層(temporal convolution layer)を組み込んでモデルに時間的予測力を与える。 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。 さらに,スポーツ賭けの文脈におけるモデルの利用可能性を検討し,予測能力を活用した収益戦略への洞察を提供する。 提案手法は,選手のパフォーマンス予測の最先端を推し進め,スポーツ分析や賭け業界に貴重な洞察を与える可能性がある。

関連論文リスト

• Capturing Momentum: Tennis Match Analysis Using Machine Learning and Time Series Theory [0.9449650062296823]
  本稿ではテニスの試合の勢いについて分析する。 まず隠れマルコフモデルを用いてプレイヤーのパフォーマンスとして定義される運動量を予測する。 そして、Xgboost を用いて運動量の重要性を証明する。
  論文  参考訳（メタデータ） (2024-04-20T07:11:06Z)
• Predicting Outcomes in Video Games with Long Short Term Memory Networks [0.39723189359605243]
  本研究は,ゲームトーナメントにおける観客エンゲージメントを高めるために,リアルタイムな勝利予測手法を導入することを目的とする。 概念実証として,従来の2人プレイのアーケードゲームSuper Street Fighter II Turboにおけるモデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-02-24T22:36:23Z)
• 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)
• 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)
• 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)
• Where Will Players Move Next? Dynamic Graphs and Hierarchical Fusion for Movement Forecasting in Badminton [6.2405734957622245]
  我々は、どのタイプのリターンストロークが作られるか、またプレイヤーが以前のストロークに基づいてどこに移動するかを予測することに重点を置いている。 既存のシーケンスベースのモデルはプレイヤー間の相互作用の影響を無視し、グラフベースのモデルは依然として多面的視点に悩まされている。 本稿では,対話型抽出器を用いた動的グラフと階層型移動予測モデル(DyMF)を提案する。
  論文  参考訳（メタデータ） (2022-11-22T12:21:24Z)
• 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)
• Temporally-Aware Feature Pooling for Action Spotting in Soccer Broadcasts [86.56462654572813]
  私たちは、サッカーの試合の主なアクションを一時的にローカライズするサッカー放送におけるアクションスポッティングの分析に焦点を当てています。 時間的知識を組み込んだNetVLAD++という,NetVLADに基づく新たな機能プーリング手法を提案する。 我々は最近の大規模データセット SoccerNet-v2 の方法論をトレーニングし、評価し、アクションスポッティングのための平均平均mAP 53.4% に達した。
  論文  参考訳（メタデータ） (2021-04-14T11:09:03Z)
• 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)
• Hybrid Dynamic-static Context-aware Attention Network for Action Assessment in Long Videos [96.45804577283563]
  本稿では,長期ビデオにおけるアクションアセスメントのための新しいハイブリットDynAmic-static Context-aware AttenTION NETwork(ACTION-NET)を提案する。 ビデオのダイナミックな情報を学習すると同時に,特定フレームにおける検出した選手の静的姿勢にも焦点をあてる。 2つのストリームの特徴を組み合わせることで、専門家が与えた地道的なスコアによって監督され、最終的なビデオスコアを後退させます。
  論文  参考訳（メタデータ） (2020-08-13T15:51:42Z)
• Scalable Psychological Momentum Forecasting in Esports [0.0]
  競争ゲームのための知的エージェント推薦エンジンの開発が進行中である。 本研究では,選手の心理的運動量と傾きの学習的表現を用いて,前・後勝利予測における最先端のパフォーマンスを達成可能であることを示す。
  論文  参考訳（メタデータ） (2020-01-30T11:57:40Z)

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。