Fugu-MT 論文翻訳(概要): Stacking-based deep neural network for player scouting in football 1

論文の概要: Stacking-based deep neural network for player scouting in football 1

arxiv url: http://arxiv.org/abs/2403.08835v1
Date: Wed, 13 Mar 2024 08:10:18 GMT
ステータス: 処理完了
システム内更新日: 2024-03-16 00:41:28.812089
Title: Stacking-based deep neural network for player scouting in football 1
Title（参考訳）: サッカーにおけるプレーヤスカウトのためのスタックベースディープニューラルネットワーク
Authors: Simon Lacan,
Abstract要約: 本稿では,多人数のサッカー選手を検知するスタックリングに基づくディープラーニングモデルを提案する。オープンソースデータベースに適用すると,従来の統計手法よりもはるかに優れた結果が得られる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Datascouting is one of the most known data applications in professional sport, and specifically football. Its objective is to analyze huge database of players in order to detect high potentials that can be then individually considered by human scouts. In this paper, we propose a stacking-based deep learning model to detect high potential football players. Applied on open-source database, our model obtains significantly better results that classical statistical methods.
Abstract（参考訳）: Datascoutingはプロスポーツ、特にフットボールにおける最もよく知られたデータアプリケーションの一つである。その目的は、人間のスカウトによって個別に考慮される高いポテンシャルを検出するために、プレイヤーの巨大なデータベースを分析することである。本稿では,多人数のサッカー選手を検知するスタックリングに基づくディープラーニングモデルを提案する。オープンソースデータベースに適用すると,従来の統計手法よりもはるかに優れた結果が得られる。

関連論文リスト

KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [75.78948575957081]
大規模言語モデル(LLM)は通常、知識材料を瞬時に活用するために、検索強化世代に依存している。本稿では,知識ベースを含む下流タスクへの効率的な適応を目的としたKBAlignを提案する。提案手法は,Q&Aペアやリビジョン提案などの自己注釈付きデータを用いて反復学習を行い,モデルが知識内容を効率的に把握できるようにする。
論文参考訳（メタデータ） (2024-11-22T08:21:03Z)
RisingBALLER: A player is a token, a match is a sentence, A path towards a foundational model for football players data analytics [0.0]
RisingBALLERは、フットボールの試合データに基づいてトレーニングされたトランスフォーマーモデルを利用して、マッチ固有のプレーヤー表現を学習する最初の公開アプローチである。単純な機械学習モデル以上の、RisingBALLERは、プレーヤーのための高度な基礎的特徴を学習することによって、フットボールデータ分析を変換するように設計された包括的なフレームワークである。
論文参考訳（メタデータ） (2024-10-01T14:39:22Z)
BridgeData V2: A Dataset for Robot Learning at Scale [73.86688388408021]
BridgeData V2は、ロボット操作行動の大規模で多様なデータセットである。対象は、24の環境にまたがる60,096個のトラジェクトリだ。
論文参考訳（メタデータ） (2023-08-24T17:41:20Z)
Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文参考訳（メタデータ） (2023-01-30T12:38:31Z)
JECC: Commonsense Reasoning Tasks Derived from Interactive Fictions [75.42526766746515]
本稿では,人間のインタラクティブ・フィクション(IF)ゲームプレイ・ウォークスルーに基づく新しいコモンセンス推論データセットを提案する。本データセットは,事実知識ではなく,機能的コモンセンス知識ルールの評価に重点を置いている。実験の結果、導入したデータセットは、以前の機械読影モデルと新しい大規模言語モデルに難題であることが示されている。
論文参考訳（メタデータ） (2022-10-18T19:20:53Z)
Machine Learning Modeling to Evaluate the Value of Football Players [0.0]
本研究では,機械学習モデルの構築に基づく,現在のサッカー選手の価値を評価する新しい手法について検討する。このプロジェクトで使用された選手のデータは、いくつかのサッカーウェブサイトにある。その動機は、サッカー選手の異なる特徴と彼らの給与の関係を探ることである。
論文参考訳（メタデータ） (2022-07-22T22:34:52Z)
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)
Evaluating Soccer Player: from Live Camera to Deep Reinforcement Learning [0.0]
オープンソースのプレイヤー追跡モデルと、Deep Reinforcement Learningのみに基づいてこれらのプレイヤーを評価する新しいアプローチの2つの部分のソリューションを紹介します。私達の追跡モデルは私達がまた解放するデータセットの監視された方法で訓練され、私達の評価モデルは仮想サッカーゲームのシミュレーションだけに頼ります。新たなアプローチであるExpected Discounted Goal(EDG)は、チームが特定の状態から獲得または達成できる目標の数を表します。
論文参考訳（メタデータ） (2021-01-13T23:26:17Z)
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)
Using Player's Body-Orientation to Model Pass Feasibility in Soccer [7.205450793637325]
本稿では,サッカーの試合のモノラルな映像から,任意の時間に最も実現可能なパスを推定する計算モデルを提案する。この方法は、攻撃的な選手の方向(および位置)と相手の空間構成を利用して、同じチームの選手内でのパスイベントの実現可能性を計算する。その結果、配向を実現可能性尺度として含めることで、ロバストな計算モデルを構築することができ、0.7 Top-3の精度に達することが示されている。
論文参考訳（メタデータ） (2020-04-15T17:09:51Z)
Knowledge as Priors: Cross-Modal Knowledge Generalization for Datasets without Superior Knowledge [55.32035138692167]
クロスモーダルな知識蒸留は、優れたモーダルで訓練されたモデルから弱いモーダルで訓練された別のモデルに知識を移すことを扱う。本研究では,教師が利用できないターゲットデータセットにおいて,生徒を訓練するための新しいスキームを提案する。
論文参考訳（メタデータ） (2020-04-01T00:28:15Z)

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。