論文の概要: A Strategic Framework for Optimal Decisions in Football 1-vs-1
Shot-Taking Situations: An Integrated Approach of Machine Learning,
Theory-Based Modeling, and Game Theory
- arxiv url: http://arxiv.org/abs/2307.14732v1
- Date: Thu, 27 Jul 2023 09:42:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 14:59:43.117013
- Title: A Strategic Framework for Optimal Decisions in Football 1-vs-1
Shot-Taking Situations: An Integrated Approach of Machine Learning,
Theory-Based Modeling, and Game Theory
- Title(参考訳): サッカー1-vs-1ショットテイキング状況における最適決定のための戦略的枠組み:機械学習,理論ベースモデリング,ゲーム理論の統合的アプローチ
- Authors: Calvin C. K. Yeung and Keisuke Fujii
- Abstract要約: 関連する戦略を定量的に分析することで、意思決定の客観的基盤を提供することができる。
このような重要なシナリオの1つは、フットボールにおけるショットテイクであり、アタッカーがボールを撃つかパスするかといった決定が、ゲームの結果において重要な役割を果たす。
本稿では,ゲーム理論に基づくシナリオ分析のための新しいフレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.8206877486958002
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Complex interactions between two opposing agents frequently occur in domains
of machine learning, game theory, and other application domains. Quantitatively
analyzing the strategies involved can provide an objective basis for
decision-making. One such critical scenario is shot-taking in football, where
decisions, such as whether the attacker should shoot or pass the ball and
whether the defender should attempt to block the shot, play a crucial role in
the outcome of the game. However, there are currently no effective data-driven
and/or theory-based approaches to analyzing such situations. To address this
issue, we proposed a novel framework to analyze such scenarios based on game
theory, where we estimate the expected payoff with machine learning (ML)
models, and additional features for ML models were extracted with a
theory-based shot block model. Conventionally, successes or failures (1 or 0)
are used as payoffs, while a success shot (goal) is extremely rare in football.
Therefore, we proposed the Expected Probability of Shot On Target (xSOT) metric
to evaluate players' actions even if the shot results in no goal; this allows
for effective differentiation and comparison between different shots and even
enables counterfactual shot situation analysis. In our experiments, we have
validated the framework by comparing it with baseline and ablated models.
Furthermore, we have observed a high correlation between the xSOT and existing
metrics. This alignment of information suggests that xSOT provides valuable
insights. Lastly, as an illustration, we studied optimal strategies in the
World Cup 2022 and analyzed a shot situation in EURO 2020.
- Abstract(参考訳): 2つの対立するエージェント間の複雑な相互作用は、機械学習、ゲーム理論、および他のアプリケーションドメインの領域で頻繁に発生する。
戦略を定量的に分析することは、意思決定の客観的な基礎を提供することができる。
そのような重要なシナリオの1つは、フットボールにおけるショットテイクであり、攻撃者がボールを撃つかパスすべきか、ディフェンダーがショットをブロックしようとするべきかなどの決定は、試合の結果において重要な役割を果たす。
しかし、現在そのような状況を分析するための効果的なデータ駆動型および/または理論に基づくアプローチは存在しない。
この問題に対処するため,ゲーム理論に基づくシナリオ分析を行う新しいフレームワークを提案し,機械学習(ML)モデルで期待される利得を推定し,理論に基づくショットブロックモデルを用いてMLモデルの付加的特徴を抽出した。
従来、成功または失敗(1または0)はペイオフとして使用され、成功ショット(ゴール)はサッカーでは極めて稀である。
そこで本研究では,被写体に対するxsot(シュート・オン・ターゲット)指標の期待確率を,ゴールがなくてもプレイヤーの行動を評価するために提案する。
実験では,本フレームワークをベースラインモデルと短縮モデルと比較して検証した。
さらに,xSOTと既存の指標との間に高い相関関係が認められた。
この情報のアライメントは、xSOTが貴重な洞察を提供することを示している。
最後に、例示として、w杯2022の最適戦略を研究し、ユーロ2020のショット状況を分析した。
関連論文リスト
- Automated Security Response through Online Learning with Adaptive
Conjectures [14.5729517924905]
我々はITインフラに対する自動セキュリティ対応について研究する。
我々は攻撃者とディフェンダーとの相互作用を部分的に観察された非静止ゲームとして定式化する。
論文 参考訳(メタデータ) (2024-02-19T20:06:15Z) - A Minimaximalist Approach to Reinforcement Learning from Human Feedback [53.05529717075474]
人間のフィードバックから強化学習を行うアルゴリズムとして,SPO(Self-Play Preference Optimization)を提案する。
我々のアプローチは、報酬モデルや不安定な敵の訓練を必要としないという点で最小主義である。
一連の継続的制御タスクにおいて、報酬ベースのアプローチよりもはるかに効率的に学習できることを実証します。
論文 参考訳(メタデータ) (2024-01-08T17:55:02Z) - Bayes-xG: Player and Position Correction on Expected Goals (xG) using
Bayesian Hierarchical Approach [55.2480439325792]
本研究は, 期待目標(xG)測定値を用いて, 目標となるショットの予測における選手や位置要因の影響について検討した。
StatsBombの公開データを使って、イングランドのプレミアリーグから1万発のショットを分析している。
この研究は、スペインのラ・リガとドイツのブンデスリーガのデータに分析を拡張し、同等の結果を得た。
論文 参考訳(メタデータ) (2023-11-22T21:54:02Z) - Learning Models of Adversarial Agent Behavior under Partial
Observability [6.757727645540147]
本稿では,相手エージェントの動作をモデル化するためのグラフベース相互情報モデリング(GrAMMI)を提案する。
GrAMMIは、相互情報を補助目的として利用する新しいグラフニューラルネットワーク(GNN)ベースのアプローチである。
論文 参考訳(メタデータ) (2023-06-19T21:18:52Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳(メタデータ) (2023-02-06T16:55:37Z) - A Unified Evaluation of Textual Backdoor Learning: Frameworks and
Benchmarks [72.7373468905418]
我々は,テキストバックドア学習の実装と評価を促進するオープンソースツールキットOpenBackdoorを開発した。
また,単純なクラスタリングに基づく防御ベースラインであるCUBEを提案する。
論文 参考訳(メタデータ) (2022-06-17T02:29:23Z) - Leaving Goals on the Pitch: Evaluating Decision Making in Soccer [21.85419069962932]
機械学習と人工知能(AI)の技術を組み合わせてサッカーにおける意思決定を推論する汎用フレームワークを提案する。
私たちの重要な結論は、チームが少数のチーム固有の場所でペナルティボックスの外からより頻繁にショットした場合、より多くの目標を達成できるということです。
論文 参考訳(メタデータ) (2021-04-07T16:56:31Z) - Adversarial Example Games [51.92698856933169]
Adrial Example Games (AEG) は、敵の例の製作をモデル化するフレームワークである。
AEGは、ある仮説クラスからジェネレータとアバーサを反対に訓練することで、敵の例を設計する新しい方法を提供する。
MNIST と CIFAR-10 データセットに対する AEG の有効性を示す。
論文 参考訳(メタデータ) (2020-07-01T19:47:23Z) - Optimising Game Tactics for Football [18.135001427294032]
サッカーにおける戦術的・戦略的意思決定を最適化するための新しいアプローチを提案する。
我々は,サッカーをベイズゲームから構成したマルチステージゲームとしてモデル化し,プレマッチ決定をモデル化し,インマッチ状態遷移と決定をモデル化する。
これに基づいて、異なる目的でチーム形成とゲーム内戦術を最適化するアルゴリズムを開発する。
論文 参考訳(メタデータ) (2020-03-23T14:24:45Z) - Defensive Few-shot Learning [77.82113573388133]
本稿では,防御的数発学習という新たな課題について検討する。
敵の攻撃に対して頑丈な数発のモデルを学習することを目的としている。
提案したフレームワークは、既存の数発のモデルを敵攻撃に対して効果的に堅牢にすることができる。
論文 参考訳(メタデータ) (2019-11-16T05:57:16Z)
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。