論文の概要: Time-Varying Home Field Advantage in Football: Learning from a Non-Stationary Causal Process

• arxiv url: http://arxiv.org/abs/2506.11399v1
• Date: Fri, 13 Jun 2025 01:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.623608
• Title: Time-Varying Home Field Advantage in Football: Learning from a Non-Stationary Causal Process
• Title（参考訳）: サッカーにおける時間変化的ホーム・アドバンテージ:非定常因果過程から学ぶ
• Authors: Minhao Qi, Hengrui Cai, Guanyu Hu, Weining Shen,
• Abstract要約: 本稿では,DYnamic Non-stonary Local M-estimatOrs (DYNAMO)を提案する。 本稿では,2020-2021年と2021-2022年のイングランド・プレミアリーグシーズンの高解像度イベントデータに適用する。 この結果から,観衆の偏見に影響される,興味深く,時間的に異なる,チーム固有のフィールドアドバンテージが明らかとなった。
• 参考スコア（独自算出の注目度）: 5.3060535072023844
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In sports analytics, home field advantage is a robust phenomenon where the home team wins more games than the away team. However, discovering the causal factors behind home field advantage presents unique challenges due to the non-stationary, time-varying environment of sports matches. In response, we propose a novel causal discovery method, DYnamic Non-stAtionary local M-estimatOrs (DYNAMO), to learn the time-varying causal structures of home field advantage. DYNAMO offers flexibility by integrating various loss functions, making it practical for learning linear and non-linear causal structures from a general class of non-stationary causal processes. By leveraging local information, we provide theoretical guarantees for the identifiability and estimation consistency of non-stationary causal structures without imposing additional assumptions. Simulation studies validate the efficacy of DYNAMO in recovering time-varying causal structures. We apply our method to high-resolution event data from the 2020-2021 and 2021-2022 English Premier League seasons, during which the former season had no audience presence. Our results reveal intriguing, time-varying, team-specific field advantages influenced by referee bias, which differ significantly with and without crowd support. Furthermore, the time-varying causal structures learned by our method improve goal prediction accuracy compared to existing methods.
• Abstract（参考訳）: スポーツ分析において、ホームフィールドの優位性は、ホームチームが遠方のチームよりも多くのゲームに勝つという堅牢な現象である。 しかし, ホームフィールド・アドバンテージの背景にある因果関係の発見は, スポーツの試合の非定常的, 時間的変化による固有の課題を提起する。 そこで本研究では,Dynamic Non-stAtionary Local M-estimatOrs (DYNAMO) という新たな因果探索手法を提案し,時間変化によるホームフィールドの利点の因果構造を学習する。 DYNAMOは、様々な損失関数を統合することで柔軟性を提供し、非定常因果過程の一般的なクラスから線形および非線形因果構造を学ぶのに実用的である。 局所的な情報を活用することにより、追加の仮定を課すことなく、非定常因果構造の識別可能性と推定一貫性を理論的に保証する。 DYNAMOの時間変化因果構造回復における有効性を検証するシミュレーション研究。 我々は,2020-2021年と2021-2022年のイングランド・プレミアリーグシーズンにおける,前シーズンに観客がいない高精細なイベントデータに適用した。 この結果から,観衆の偏見に影響される,興味深く,時間的に異なる,チーム固有のフィールドアドバンテージが明らかとなった。 さらに,本手法で学習した時間変化因果構造により,既存手法と比較して目標予測精度が向上した。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Local Causal Structure Learning in the Presence of Latent Variables [16.88791886307876]
  本稿では,変数がターゲットの直接的な原因や効果であるかどうかを判定する原理的手法を提案する。 実世界の合成データと実世界のデータによる実験結果から,本手法の有効性と有効性について検証した。
  論文  参考訳（メタデータ） (2024-05-25T13:31:05Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Temporally Disentangled Representation Learning under Unknown Nonstationarity [35.195001384417395]
  我々は、時間遅れの潜伏因果変数を再構成するために、原則的推定フレームワークNCTRLを導入する。 経験的評価は、時間遅れの潜伏因果関係の信頼性を実証した。
  論文  参考訳（メタデータ） (2023-10-28T06:46:03Z)
• Game-Theoretic Robust Reinforcement Learning Handles Temporally-Coupled Perturbations [98.5802673062712]
  我々は時間的に結合した摂動を導入し、既存の頑健な強化学習手法に挑戦する。 本稿では、時間的に結合したロバストなRL問題を部分的に観測可能な2プレイヤーゼロサムゲームとして扱う新しいゲーム理論であるGRADを提案する。
  論文  参考訳（メタデータ） (2023-07-22T12:10:04Z)
• Seeing is not Believing: Robust Reinforcement Learning against Spurious Correlation [57.351098530477124]
  国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。 このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。 したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
  論文  参考訳（メタデータ） (2023-07-15T23:53:37Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Learning Temporally Causal Latent Processes from General Temporal Data [22.440008291454287]
  それらの非線形混合物から時間的因果潜在過程を同定できる2つの証明可能な条件を提案する。 種々のデータセットに対する実験結果から, 時間的因果潜在過程が観測変数から確実に同定されることが示された。
  論文  参考訳（メタデータ） (2021-10-11T17:16:19Z)

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。