論文の概要: Graph Encoding and Neural Network Approaches for Volleyball Analytics:
From Game Outcome to Individual Play Predictions
- arxiv url: http://arxiv.org/abs/2308.11142v1
- Date: Tue, 22 Aug 2023 02:51:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 13:56:41.153166
- Title: Graph Encoding and Neural Network Approaches for Volleyball Analytics:
From Game Outcome to Individual Play Predictions
- Title（参考訳）: バレーボールアナリティクスのためのグラフ符号化とニューラルネットワークアプローチ:ゲーム結果から個々のプレイ予測まで
- Authors: Rhys Tracy, Haotian Xia, Alex Rasla, Yuan-Fang Wang, Ambuj Singh
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.399740513992854
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This research aims to improve the accuracy of complex volleyball predictions
and provide more meaningful insights to coaches and players. We introduce a
specialized graph encoding technique to add additional contact-by-contact
volleyball context to an already available volleyball dataset without any
additional data gathering. We demonstrate the potential benefits of using graph
neural networks (GNNs) on this enriched dataset for three different volleyball
prediction tasks: rally outcome prediction, set location prediction, and hit
type prediction. We compare the performance of our graph-based models to
baseline models and analyze the results to better understand the underlying
relationships in a volleyball rally. Our results show that the use of GNNs with
our graph encoding yields a much more advanced analysis of the data, which
noticeably improves prediction results overall. We also show that these
baseline tasks can be significantly improved with simple adjustments, such as
removing blocked hits. Lastly, we demonstrate the importance of choosing a
model architecture that will better extract the important information for a
certain task. Overall, our study showcases the potential strengths and
weaknesses of using graph encodings in sports data analytics and hopefully will
inspire future improvements in machine learning strategies across sports and
applications by using graphbased encodings.
- Abstract（参考訳）: 本研究の目的は,バレーボールの複雑な予測の精度の向上と,コーチや選手に対してより有意義な洞察を提供することである。
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。
我々は,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課題(ラリー結果予測,セット位置予測,ヒット型予測)の潜在的な利点を実証する。
グラフモデルの性能をベースラインモデルと比較し、その結果を分析してバレーボールラリーの基盤となる関係をよりよく理解する。
その結果,gnnをグラフエンコーディングに使用することで,より高度なデータ解析が可能となり,予測結果の全体的な改善が期待できることがわかった。
また,ブロックヒットの除去などの簡単な調整によって,これらのベースラインタスクを大幅に改善できることを示す。
最後に、あるタスクにおいて重要な情報をよりよく抽出するモデルアーキテクチャを選択することの重要性を示す。
全体的に、スポーツデータ分析におけるグラフエンコーディングの利用の強みと弱みを示し、グラフベースのエンコーディングを使用することで、スポーツやアプリケーション全体での機械学習戦略の今後の改善を促すことを願っている。
関連論文リスト
- On Pre-training of Multimodal Language Models Customized for Chart Understanding [83.99377088129282]
本稿では,MLLMのチャート理解を改善するために必要な学習過程について考察する。
詳細なチャート理解に適したMLLMであるCHOPINLLMを紹介する。
論文 参考訳（メタデータ） (2024-07-19T17:58:36Z) - 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) - GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳（メタデータ） (2023-06-20T03:33:22Z) - 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) - VREN: Volleyball Rally Dataset with Expression Notation Language [10.609652299803063]
本研究は,室内バレーボール場とコンピュータ科学のギャップを埋めるものである。
最初の目標は、プレイヤーの行動とポジションに関する重要かつ簡潔な要約を含むデータセットをキュレートすることである。
第2の目標は,ゲーム内のラリープロセスを完全に記述するための,バレーボール記述言語の導入だ。
論文 参考訳（メタデータ） (2022-09-28T05:52:35Z) - 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) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。
本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。
我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
論文 参考訳（メタデータ） (2022-06-01T09:59:09Z) - Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。
DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
論文 参考訳（メタデータ） (2022-02-16T18:30:33Z) - An Analysis of Attentive Walk-Aggregating Graph Neural Networks [34.866935881726256]
グラフニューラルネットワーク(GNN)は強力な表現力を持っていることが示されている。
AWAREと呼ばれる新しいGNNモデルを提案し、アテンションスキームを用いて、グラフ内のウォークに関する情報を集約する。
論文 参考訳（メタデータ） (2021-10-06T11:41:12Z) - Deep Learning for Learning Graph Representations [58.649784596090385]
グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。
ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。
これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
論文 参考訳（メタデータ） (2020-01-02T02:13:28Z)
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。