論文の概要: Automated Explanation of Machine Learning Models of Footballing Actions in Words

• arxiv url: http://arxiv.org/abs/2504.00767v1
• Date: Tue, 01 Apr 2025 13:18:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:23:32.440096
• Title: Automated Explanation of Machine Learning Models of Footballing Actions in Words
• Title（参考訳）: 単語におけるフットボール行動の機械学習モデルの自動記述
• Authors: Pegah Rahimian, Jernej Flisar, David Sumpter,
• Abstract要約: サッカーにおけるショットのための単語化(大規模言語モデルを活用した新しいアプローチ)の構築方法を示す。 具体的には、まず、ロジスティック回帰を用いた期待目標モデルを構築します。 次に、この回帰モデルの共係数を用いて、因子(距離、角度、防御圧など)がモデルの予測にどのように寄与するかを記述する文を書く。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: While football analytics has changed the way teams and analysts assess performance, there remains a communication gap between machine learning practice and how coaching staff talk about football. Coaches and practitioners require actionable insights, which are not always provided by models. To bridge this gap, we show how to build wordalizations (a novel approach that leverages large language models) for shots in football. Specifically, we first build an expected goals model using logistic regression. We then use the co-efficients of this regression model to write sentences describing how factors (such as distance, angle and defensive pressure) contribute to the model's prediction. Finally, we use large language models to give an entertaining description of the shot. We describe our approach in a model card and provide an interactive open-source application describing shots in recent tournaments. We discuss how shot wordalisations might aid communication in coaching and football commentary, and give a further example of how the same approach can be applied to other actions in football.
• Abstract（参考訳）: サッカー分析は、チームやアナリストがパフォーマンスを評価する方法を変えましたが、マシンラーニングの実践とコーチングスタッフがフットボールについて話す方法との間には、コミュニケーションのギャップがあります。 コーチと実践者は行動可能な洞察を必要とするが、それは必ずしもモデルによって提供されない。 このギャップを埋めるために、フットボールにおけるショットのための言葉化(大きな言語モデルを活用する新しいアプローチ)を構築する方法を示す。 具体的には、まず、ロジスティック回帰を用いた期待目標モデルを構築します。 次に、この回帰モデルの共係数を用いて、因子(距離、角度、防御圧など)がモデルの予測にどのように寄与するかを記述する文を書く。 最後に、私たちは大きな言語モデルを使用して、ショットの面白い説明を提供します。 提案手法をモデルカードで記述し,最近のトーナメントにおけるショットを記述したインタラクティブなオープンソースアプリケーションを提供する。 講演では,コーチングやフットボールの解説において,ショットの言葉遣いがコミュニケーションの助けとなる可能性について論じるとともに,フットボールにおける他の行動に対して,同じアプローチが適用可能であることのさらなる例を示す。

関連論文リスト

• Large Concept Models: Language Modeling in a Sentence Representation Space [62.73366944266477]
  本稿では,概念を命名した明示的な高レベルな意味表現に基づくアーキテクチャの試みを行う。 概念は言語とモダリティに依存しないものであり、フローにおけるより高いレベルの考えや行動を表している。 本モデルでは,多くの言語に対して,ゼロショットの一般化性能が顕著であることを示す。
  論文  参考訳（メタデータ） (2024-12-11T23:36:20Z)
• 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)
• Dialogue Action Tokens: Steering Language Models in Goal-Directed Dialogue with a Multi-Turn Planner [51.77263363285369]
  本稿では,対話行動トークンと呼ばれる言語モデルエージェントを用いて,目標指向の対話を計画する手法を提案する。 中心となる考え方は、各発話をアクションとして扱うことで、強化学習のような既存のアプローチを適用することができるゲームに対話を変換することである。
  論文  参考訳（メタデータ） (2024-06-17T18:01:32Z)
• Visually Grounded Language Learning: a review of language games, datasets, tasks, and models [60.2604624857992]
  多くのVision+Language (V+L)タスクは、視覚的モダリティでシンボルをグラウンドできるモデルを作成することを目的として定義されている。 本稿では,V+L分野において提案されるいくつかの課題とモデルについて,系統的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-12-05T02:17:29Z)
• Werewolf Among Us: A Multimodal Dataset for Modeling Persuasion Behaviors in Social Deduction Games [45.55448048482881]
  本稿では,説得行動のモデル化のための最初のマルチモーダルデータセットを提案する。 データセットには199の対話文とビデオ,26,647の発話レベルアノテーションの説得戦略,ゲームレベルアノテーションの推論ゲーム結果が含まれている。
  論文  参考訳（メタデータ） (2022-12-16T04:52:53Z)
• GODEL: Large-Scale Pre-Training for Goal-Directed Dialog [119.1397031992088]
  ダイアログのための大規模事前学習言語モデルであるGODELを紹介する。 GODELは、数ショットの微調整設定で、最先端の事前訓練ダイアログモデルより優れていることを示す。 評価手法の新たな特徴は,応答の有用性を評価するユーティリティの概念の導入である。
  論文  参考訳（メタデータ） (2022-06-22T18:19:32Z)
• Machine Learning in Sports: A Case Study on Using Explainable Models for Predicting Outcomes of Volleyball Matches [0.0]
  本稿では,ブラジルバレーボールリーグ(SuperLiga)における試合結果を予測するための2相説明可能な人工知能(XAI)アプローチについて検討する。 第1フェーズでは、解釈可能なルールベースのMLモデルを直接使用し、モデルの振る舞いをグローバルに理解する。 第2フェーズでは,SVM(Support Vector Machine)やDNN(Deep Neural Network)といった非線形モデルを構築し,バレーボールの試合結果の予測性能を得る。
  論文  参考訳（メタデータ） (2022-06-18T18:09:15Z)
• 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)
• "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)
• InfoXLM: An Information-Theoretic Framework for Cross-Lingual Language Model Pre-Training [135.12061144759517]
  本稿では,言語間言語モデルの事前学習を定式化する情報理論フレームワークを提案する。 コントラスト学習に基づく新しい事前学習課題を提案する。 単言語コーパスと並列コーパスの両方を活用することで、事前訓練されたモデルの言語間変換性を向上させるために、プレテキストを共同で訓練する。
  論文  参考訳（メタデータ） (2020-07-15T16:58:01Z)

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。