Fugu-MT 論文翻訳(概要): Aging Decline in Basketball Career Trend Prediction Based on Machine Learning and LSTM Model

論文の概要: Aging Decline in Basketball Career Trend Prediction Based on Machine Learning and LSTM Model

arxiv url: http://arxiv.org/abs/2509.25858v1
Date: Tue, 30 Sep 2025 06:54:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-01 17:09:04.459072
Title: Aging Decline in Basketball Career Trend Prediction Based on Machine Learning and LSTM Model
Title（参考訳）: 機械学習とLSTMモデルに基づくバスケットボール選手トレンド予測の高齢化
Authors: Yi-chen Yao, Jerry Wang, Yi-cheng Lai, Lyn Chao-ling Chen,
Abstract要約: データセットは、NBAのベテラン選手のバスケットボールの試合データから収集された。この仕事の貢献は、NBAの様々なタイプのキャリアトレンドを評価する他の方法よりも優れていた。
参考スコア（独自算出の注目度）: 4.191372563639857
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The topic of aging decline on performance of NBA players has been discussed in this study. The autoencoder with K-means clustering machine learning method was adopted to career trend classification of NBA players, and the LSTM deep learning method was adopted in performance prediction of each NBA player. The dataset was collected from the basketball game data of veteran NBA players. The contribution of the work performed better than the other methods with generalization ability for evaluating various types of NBA career trend, and can be applied in different types of sports in the field of sport analytics.
Abstract（参考訳）: 本研究では,NBA選手のパフォーマンスの高齢化について論じる。 K平均クラスタリング機械学習を用いたオートエンコーダをNBA選手のキャリアトレンド分類に適用し,各NBA選手のパフォーマンス予測にLSTM深層学習手法を適用した。データセットは、NBAのベテラン選手のバスケットボールの試合データから収集された。この研究の貢献はNBAの様々なタイプのキャリアトレンドを評価するための一般化能力によって他の方法よりも優れており、スポーツ分析の分野で様々な種類のスポーツに適用することができる。

関連論文リスト

Who is a Better Player: LLM against LLM [53.46608216197315]
本稿では,大規模言語モデル (LLM) の総合的な性能を評価するための対戦型ベンチマークフレームワークを提案する。広範にプレイされている5つのゲームをサポートし,20のLDMを駆使したプレーヤーを対象とする,特別な評価プラットフォームであるQi Townを紹介した。
論文参考訳（メタデータ） (2025-08-05T06:41:47Z)
MVP-Shapley: Feature-based Modeling for Evaluating the Most Valuable Player in Basketball [44.99614103912428]
本研究では,アシストやポイントなど,ゲーム中の関連イベントを記録するプレイバイプレイデータに焦点を当てた。我々は,新たなMVP評価フレームワークをussysとして導入することで,課題に対処することを目指している。このアプローチには、機能処理、ウィンロスモデルトレーニング、Shapley値アロケーション、プレイヤーのコントリビューションに基づいたMVPランキング決定が含まれる。
論文参考訳（メタデータ） (2025-06-05T03:40:22Z)
SkillMimic: Learning Basketball Interaction Skills from Demonstrations [85.23012579911378]
我々は、エージェントがインタラクションスキルを学習する方法を根本的に変える統合データ駆動フレームワークであるSkillMimicを紹介した。私たちの重要な洞察は、統合されたHOI模倣報酬は、HOIデータセットから多様な相互作用パターンの本質を効果的に捉えることができるということです。評価のために,約35分間のバスケットボールスキルを含む2つのバスケットボールデータセットを収集,導入した。
論文参考訳（メタデータ） (2024-08-12T15:19:04Z)
Offensive Lineup Analysis in Basketball with Clustering Players Based on Shooting Style and Offensive Role [0.9002260638342727]
本研究の目的は,演奏スタイルの整合性がスコアリング効率に与える影響を,攻撃のみに焦点をあてて,より具体的に分析することである。本研究では、追跡データを用いたシューティングスタイルクラスタリングと、アノテートされたプレイタイプと高度な統計に基づく攻撃的なロールクラスタリングの2つの方法を用いる。これら2つのクラスタリングから得られたラインアップ情報に基づいて、スコアリング効率を表す統計を予測した機械学習モデルベイズモデルを訓練し、解釈した。
論文参考訳（メタデータ） (2024-03-04T03:09:25Z)
Hang-Time HAR: A Benchmark Dataset for Basketball Activity Recognition using Wrist-Worn Inertial Sensors [47.33629411771497]
本稿では,手首に装着したセンサから身体活動認識手法を評価するためのベンチマークデータセットを提案する。データセットは、米国とドイツの2つのチームで記録され、計24人のプレーヤーが手首に慣性センサーを装着した。
論文参考訳（メタデータ） (2023-05-22T15:25:29Z)
Understanding why shooters shoot -- An AI-powered engine for basketball performance profiling [70.54015529131325]
バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
論文参考訳（メタデータ） (2023-03-17T01:13:18Z)
NBA2Vec: Dense feature representations of NBA players [0.0]
本稿では,各プレーヤの高密度特徴表現を抽出するWord2Vecに基づくニューラルネットワークモデルであるNBA2Vecを提案する。 NBA2Vecは、2017年のNBAプレイオフシリーズの結果を正確に予測する。 NBA2Vec埋め込みの今後の応用は、プレイヤーのスタイルを特徴付けることで、プレイヤーの獲得とコーチング決定のための予測モデルに革命をもたらす可能性がある。
論文参考訳（メタデータ） (2023-02-26T19:05:57Z)
Can a face tell us anything about an NBA prospect? -- A Deep Learning approach [0.0]
画像解析と畳み込みニューラルネットワークを,各ドラフトクラスから新たに作成した選手のキャリア軌跡を予測するために展開する。 1990年以降のドラフト毎に,約1500枚の画像データからなるデータベースを構築した。筆者らは,データ中の一般的な事前学習画像分類モデルを訓練し,新人選手のキャリアを確実に予測するモデルを作成するために,一連の実験を行った。
論文参考訳（メタデータ） (2022-12-13T18:36:29Z)
Multi-Modal Trajectory Prediction of NBA Players [14.735704310108101]
本稿では,プレイヤーのマルチモーダルな動作を捉える手法を提案する。本手法は,マルチモーダル損失関数を用いて学習した複数の軌道とその確率を予測するLSTMアーキテクチャ上に構築される。 NBA追跡データ大きめの実験により,提案手法が最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2020-08-18T11:35:44Z)
Descriptive and Predictive Analysis of Euroleague Basketball Games and the Wisdom of Basketball Crowds [0.0]
本研究は,機械学習モデルを用いたユーロリーグ大会におけるバスケットボールの試合予測に焦点を当てた。単純な機械学習モデルでは、テストセットで67%以上の精度が得られます。我々は,このグループの「専門家」の精度レベルが,機械学習を用いた(ヨーロッパ)バスケットボールの試合予測における将来の研究の基準として設定されるべき理由を論じる。
論文参考訳（メタデータ） (2020-02-19T22:04:29Z)

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。