論文の概要: Estimating Player Performance in Different Contexts Using Fine-tuned
Large Events Models
- arxiv url: http://arxiv.org/abs/2402.06815v1
- Date: Fri, 9 Feb 2024 22:47:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 19:08:01.098421
- Title: Estimating Player Performance in Different Contexts Using Fine-tuned
Large Events Models
- Title(参考訳): 微調整大イベントモデルを用いた異なる文脈におけるプレイヤー性能の推定
- Authors: Tiago Mendes-Neves, Lu\'is Meireles, Jo\~ao Mendes-Moreira
- Abstract要約: 本稿では,Large Event Models (LEMs) のサッカー分析分野への応用について紹介する。
我々は、2017-18シーズンのプレミアリーグのWyScoutデータセットを使って、プレーヤーのコントリビューションとチーム戦略に関する洞察を得るための微調整LEMに焦点を当てている。
その結果,サッカーにおけるLEMの有効性と限界が明らかとなり,チームが期待するポジションを予測できるモデルの能力が強調された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces an innovative application of Large Event Models (LEMs),
akin to Large Language Models, to the domain of soccer analytics. By learning
the "language" of soccer - predicting variables for subsequent events rather
than words LEMs facilitate the simulation of matches and offer various
applications, including player performance prediction across different team
contexts. We focus on fine-tuning LEMs with the WyScout dataset for the
2017-2018 Premier League season to derive specific insights into player
contributions and team strategies. Our methodology involves adapting these
models to reflect the nuanced dynamics of soccer, enabling the evaluation of
hypothetical transfers. Our findings confirm the effectiveness and limitations
of LEMs in soccer analytics, highlighting the model's capability to forecast
teams' expected standings and explore high-profile scenarios, such as the
potential effects of transferring Cristiano Ronaldo or Lionel Messi to
different teams in the Premier League. This analysis underscores the importance
of context in evaluating player quality. While general metrics may suggest
significant differences between players, contextual analyses reveal narrower
gaps in performance within specific team frameworks.
- Abstract(参考訳): 本稿では,大規模言語モデルに類似した大規模イベントモデル(lem)をサッカー分析分野に適用する。
サッカーの"言語"を学ぶことで、単語ではなく後続のイベントの変数を予測することで、LEMはマッチのシミュレーションを促進し、異なるチームコンテキストにわたるプレイヤーのパフォーマンス予測を含むさまざまなアプリケーションを提供する。
我々は、2017-2018年のプレミアリーグシーズンのWyScoutデータセットを使って、プレーヤーのコントリビューションとチーム戦略に関する具体的な洞察を得るための微調整LEMに焦点を当てている。
提案手法は,これらのモデルを用いてサッカーのニュアンスド・ダイナミクスを反映し,仮説移動の評価を可能にする。
サッカー・アナリティクスにおけるレムの有効性と限界を明らかにし,チームの期待位置を予測し,クリシアーノ・ロナルドやライオネル・メッシをプレミアリーグの異なるチームへ転向させる効果など,著名なシナリオを探求するモデルの能力を強調した。
この分析は、プレイヤーの品質評価におけるコンテキストの重要性を強調している。
一般的なメトリクスはプレイヤー間で大きな違いを示すかもしれませんが、コンテキスト分析によって特定のチームフレームワーク内のパフォーマンスのギャップが狭くなります。
関連論文リスト
- Forecasting Events in Soccer Matches Through Language [0.0]
本稿では,Large Language Models (LLM) が直面している問題と顕著に類似した課題である,サッカーの試合における次の事象を予測するためのアプローチを提案する。
本研究は,LLMの方法論に触発された新しい手法を提案する。
これらのモデルは、イベントを構成する変数の完全な連鎖を予測し、サッカー用の大型イベントモデル(LEM)の構築を著しく単純化する。
論文 参考訳(メタデータ) (2024-02-09T23:02:57Z) - 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) - 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) - GameEval: Evaluating LLMs on Conversational Games [93.40433639746331]
大規模言語モデル(LLM)を評価する新しいアプローチであるGameEvalを提案する。
GameEvalはLSMをゲームプレイヤーとして扱い、様々な形式の会話を起動することで達成した特定の目標にそれぞれ異なる役割を割り当てる。
我々は,GameEvalが様々なLLMの能力を効果的に差別化することができ,複雑な問題を解決するための統合能力を総合的に評価できることを示した。
論文 参考訳(メタデータ) (2023-08-19T14:33:40Z) - Transformer-Based Neural Marked Spatio Temporal Point Process Model for
Football Match Events Analysis [0.6946929968559495]
本稿では,ニューラル・テンポラル・ポイント・プロセス・フレームワークに基づくフットボール・イベント・データのモデルを提案する。
検証のために,サッカーチームの最終ランキング,平均ゴールスコア,シーズン平均xGとの関係を検討した。
平均HPUSはゴールやショットの詳細を使わずとも有意な相関を示した。
論文 参考訳(メタデータ) (2023-02-18T10:02:45Z) - Explainable expected goal models for performance analysis in football
analytics [5.802346990263708]
本報告では,2014-15年と2020-21年の7シーズンから315,430発のショットをトレーニングした,欧州サッカーリーグのトップ5のゴールモデルを提案する。
我々の知る限りでは、この論文は、プロファイルを集約した説明可能な人工知能ツールの実用的な応用を実証した最初の論文である。
論文 参考訳(メタデータ) (2022-06-14T23:56:03Z) - SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in
Soccer Videos [62.686484228479095]
本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。
データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。
分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
論文 参考訳(メタデータ) (2022-04-14T12:22:12Z) - Transfer Portal: Accurately Forecasting the Impact of a Player Transfer
in Soccer [0.0]
異なるリーグ間で転送される場合、将来のプレイヤーのパフォーマンスを予測することは複雑な作業である。
本稿では,これらの問題に対処し,今後の性能を正確に予測する手法を提案する。
我々のTransfer Portalモデルは、プレイヤー、チーム、リーグのスタイリスティックなレベルの入力表現と能力レベルの入力表現の両方にパーソナライズされたニューラルネットワークを使用して、選択されたクラブの選手のパフォーマンスをシミュレートする。
論文 参考訳(メタデータ) (2022-01-27T14:15:09Z) - Did the Cat Drink the Coffee? Challenging Transformers with Generalized
Event Knowledge [59.22170796793179]
Transformers Language Models (TLMs) を数学的適合のテクトダイナミックな評価のためのベンチマークで検証した。
以上の結果から, TLM は SDM に匹敵する性能が得られることが示された。
しかし、さらなる分析は、TLMがイベント知識の重要な側面を捉えていないことを一貫して示唆している。
論文 参考訳(メタデータ) (2021-07-22T20:52:26Z) - "Why Would I Trust Your Numbers?" On the Explainability of Expected
Values in Soccer [5.825190876052149]
本稿では,ショットの期待値を推定する,説明可能な一般化付加モデルを提案する。
我々は、練習者が慣れ親しんだピッチ上の指定されたゾーンにショットをファジィに割り当てることで、ショットの位置を表現している。
実験により,我々のモデルは既存のモデルと同じくらい正確であり,サッカー実践者には説明し易いことがわかった。
論文 参考訳(メタデータ) (2021-05-27T10:05:00Z) - 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)
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。