論文の概要: Boulder2Vec: Modeling Climber Performances in Professional Bouldering Competitions
- arxiv url: http://arxiv.org/abs/2411.02343v2
- Date: Fri, 08 Nov 2024 16:44:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-11 11:36:03.925145
- Title: Boulder2Vec: Modeling Climber Performances in Professional Bouldering Competitions
- Title（参考訳）: Boulder2Vec: プロフェッショナルなボルダリングコンペティションにおけるクライマーパフォーマンスのモデル化
- Authors: Ethan Baron, Victor Hau, Zeke Weng,
- Abstract要約: 確率行列因子分解(PMF)を用いて登山者の特異な特徴と潜伏多次元ベクトルの問題を表現する。
以上の結果から,PMF表現は,登山者の総合的強度と専門的スキルセットの両方を捉えることにより,プロのボルダリング競技の予測性能を向上させることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Using data from professional bouldering competitions from 2008 to 2022, we train a logistic regression to predict climber results and measure climber skill. However, this approach is limited, as a single numeric coefficient per climber cannot adequately capture the intricacies of climbers' varying strengths and weaknesses in different boulder problems. For example, some climbers might prefer more static, technical routes while other climbers may specialize in powerful, dynamic problems. To this end, we apply Probabilistic Matrix Factorization (PMF), a framework commonly used in recommender systems, to represent the unique characteristics of climbers and problems with latent, multi-dimensional vectors. In this framework, a climber's performance on a given problem is predicted by taking the dot product of the corresponding climber vector and problem vectors. PMF effectively handles sparse datasets, such as our dataset where only a subset of climbers attempt each particular problem, by extrapolating patterns from similar climbers. We contrast the empirical performance of PMF to the logistic regression approach and investigate the multivariate representations produced by PMF to gain insights into climber characteristics. Our results show that the multivariate PMF representations improve predictive performance of professional bouldering competitions by capturing both the overall strength of climbers and their specialized skill sets. We provide our code open-source at https://github.com/baronet2/boulder2vec.
- Abstract（参考訳）: 2008年から2022年までのプロのボルダリング競技のデータを用いて、ロジスティック回帰をトレーニングし、クライマーの結果を予測し、クライマースキルを測定する。
しかし、登山者毎の1つの数値係数は、異なる岩盤問題における登山者の様々な強度と弱点の複雑さを適切に捉えることができないため、このアプローチは制限されている。
例えば、登山者はより静的な技術的なルートを好むかもしれないし、登山者はより強力でダイナミックな問題に特化しているかもしれない。
この目的のために,推奨システムでよく使用されるフレームワークである確率行列因子化(PMF)を適用し,登山者の特異な特徴と潜伏多次元ベクトルの問題を表現する。
この枠組みでは、クライマーベクトルと問題ベクトルのドット積を取ることにより、所定の問題に対する登山者の性能を予測する。
PMFは、類似の登山者からパターンを外挿することで、登山者のサブセットだけがそれぞれの問題を試すデータセットのようなスパースデータセットを効果的に処理する。
我々は,PMFの実証的な性能をロジスティック回帰法と比較し,PMFが生成する多変量表現を調査し,登山者特性の洞察を得る。
以上の結果から,多変量PMF表現は,登山者の総合的強度と専門的スキルセットの両方を捉えることにより,プロのボルダリング競技の予測性能を向上させることが示唆された。
ソースコードはhttps://github.com/baronet2/boulder2vec.comで公開しています。
関連論文リスト
- Randomized Asymmetric Chain of LoRA: The First Meaningful Theoretical Framework for Low-Rank Adaptation [58.288682735160585]
Low-Rank Adaptation (LoRA) は、ファインチューニングモデルの一般的なテクニックである。
LoRAは、フルパラメータの微調整と比較すると、しばしば実行されます。
本稿では,LoRA手法の適応率を厳密に分析するフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-10T18:51:53Z) - Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。
バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
論文 参考訳（メタデータ） (2024-05-27T22:15:23Z) - More than the Sum of Its Parts: Ensembling Backbone Networks for
Few-Shot Segmentation [49.090592800481616]
異なるバックボーンから特徴を融合させることで、よりリッチな視覚的特徴を捉えることができるかどうかを検討する。
Independent Voting と Feature Fusion という2つのアンサンブル手法を提案し,比較する。
当社のアプローチは、ワンショットの学習シナリオに挑戦しても、従来の単一バックボーンPANetを標準ベンチマークで上回ります。
論文 参考訳（メタデータ） (2024-02-09T18:01:15Z) - PRILoRA: Pruned and Rank-Increasing Low-Rank Adaptation [65.268245109828]
我々はPRILoRAを導入し、各層ごとに異なるランクを線形に割り当て、トレーニングプロセスを通してプルーニングを行う。
8つのGLUEベンチマークで広範な実験を行い,PRILoRAの有効性を検証する。
論文 参考訳（メタデータ） (2024-01-20T20:25:17Z) - Jointly Exploring Client Drift and Catastrophic Forgetting in Dynamic
Learning [1.0808810256442274]
クライアントのDriftとCaastrophic Forgettingは、一貫したパフォーマンスを保証するための基本的な障害です。
クライアントドリフトとカタストロフィック・フォーッティングのための制御されたテスト環境を構築するための統一的なフレームワークを提案する。
我々は、中程度のクライアントドリフトとカタストロフィックフォーッティングの組み合わせによって、結果のモデルの性能も向上できることを示した。
論文 参考訳（メタデータ） (2023-09-01T18:14:30Z) - Rewarded soups: towards Pareto-optimal alignment by interpolating
weights fine-tuned on diverse rewards [101.7246658985579]
ファンデーションモデルは、最初は大量の教師なしデータセットで事前トレーニングされ、次にラベル付きデータで微調整される。
多様な報酬の不均一性を多政学的戦略に従って受け入れることを提案する。
我々は,テキスト・ツー・テキスト(要約,Q&A,補助アシスタント,レビュー),テキスト・イメージ(画像キャプション,テキスト・ツー・イメージ生成,視覚的グラウンド,VQA)タスク,制御(移動)タスクに対するアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2023-06-07T14:58:15Z) - Bayesian inference of the climbing grade scale [0.0]
マルコフ連鎖モンテカルロを用いた全歴史評価モデルに基づいて推論を実装した。
以上の結果から,クライミンググレードスケールは対数スケールの難易度である,という仮定に適合することを示す。
論文 参考訳（メタデータ） (2021-11-15T23:15:03Z) - DORB: Dynamically Optimizing Multiple Rewards with Bandits [101.68525259222164]
政策に基づく強化学習は、言語生成タスクにおいて、微分不可能な評価指標を最適化するための有望なアプローチであることが証明されている。
We use the Exp3 algorithm for bandit and formulate two approach for bandit rewards: (1) Single Multi-reward Bandit (SM-Bandit), (2) Hierarchical Multi-reward Bandit (HM-Bandit)
我々は,2つの重要なNLGタスクにおいて,様々な自動計測と人的評価を通じて,我々のアプローチの有効性を実証的に示す。
論文 参考訳（メタデータ） (2020-11-15T21:57:47Z) - Policy Evaluation and Seeking for Multi-Agent Reinforcement Learning via
Best Response [15.149039407681945]
多エージェント強化学習におけるメタレベルでの利己的な振る舞いをモデル化するために、厳密なベストレスポンスダイナミクスを採用する。
我々のアプローチは、弱い応答に依存するアルファランクよりもシングルエージェント強化学習と互換性がある。
論文 参考訳（メタデータ） (2020-06-17T01:17:52Z) - augKlimb: Interactive Data-Led Augmentation of Bouldering Training [0.0]
クライミングは人気のあるスポーツであり、特に屋内では、登山者が人工ホールドを使って人工ルートで訓練することができる。
近年,登山にコンピュータ・インタラクションを加える様々な側面が研究されている。
レクリエーションの中間登山者を支援するための軽量ツールの研究のための広大なスペースがある。
論文 参考訳（メタデータ） (2020-01-22T10:26:59Z)
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。