論文の概要: Analysis of Line Break prediction models for detecting defensive breakthrough in football

• arxiv url: http://arxiv.org/abs/2511.00121v1
• Date: Fri, 31 Oct 2025 06:42:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.624054
• Title: Analysis of Line Break prediction models for detecting defensive breakthrough in football
• Title（参考訳）: サッカーにおける防御ブレークスルー検出のためのラインブレーク予測モデルの解析
• Authors: Shoma Yagi, Jun Ichikawa, Genki Ichinose,
• Abstract要約: サッカーでは、攻撃チームが相手の防御線を突破して得点の機会を創り出そうとする。 本研究では,2023年J1リーグシーズンのイベントと追跡データを用いて,ラインブレークを予測する機械学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In football, attacking teams attempt to break through the opponent's defensive line to create scoring opportunities. This action, known as a Line Break, is a critical indicator of offensive effectiveness and tactical performance, yet previous studies have mainly focused on shots or goal opportunities rather than on how teams break the defensive line. In this study, we develop a machine learning model to predict Line Breaks using event and tracking data from the 2023 J1 League season. The model incorporates 189 features, including player positions, velocities, and spatial configurations, and employs an XGBoost classifier to estimate the probability of Line Breaks. The proposed model achieved high predictive accuracy, with an AUC of 0.982 and a Brier score of 0.015. Furthermore, SHAP analysis revealed that factors such as offensive player speed, gaps in the defensive line, and offensive players' spatial distributions significantly contribute to the occurrence of Line Breaks. Finally, we found a moderate positive correlation between the predicted probability of being Line-Broken and the number of shots and crosses conceded at the team level. These results suggest that Line Breaks are closely linked to the creation of scoring opportunities and provide a quantitative framework for understanding tactical dynamics in football.
• Abstract（参考訳）: フットボールでは、攻撃チームが相手の防御線を突破して得点の機会を創り出そうとする。 ラインブレーク(Line Break)として知られるこの行動は、攻撃的な効果と戦術的なパフォーマンスを示す重要な指標であるが、以前の研究では、チームが防御線を破る方法よりも、主にショットやゴールの機会に焦点を当てていた。 本研究では,2023年J1リーグシーズンのイベントと追跡データを用いて,ラインブレークを予測する機械学習モデルを開発した。 このモデルにはプレイヤーの位置、速度、空間構成を含む189の特徴が含まれており、ラインブレークの確率を推定するためにXGBoost分類器を使用している。 提案したモデルは、AUCが0.982、Brierスコアが0.015と高い予測精度を達成した。 さらに, SHAP解析の結果, 攻撃選手の速度, 防御ラインの隙間, 攻撃選手の空間分布などの要因が, ラインブレークの発生に大きく寄与していることが明らかとなった。 最後に,Line-Brokenの予測確率と,チームレベルでのショット数とクロス数との間には,ある程度の正の相関関係が認められた。 これらの結果から,ラインブレークは得点機会の創出と密接に結びついており,フットボールにおける戦術力学を理解するための定量的枠組みを提供すると考えられる。

関連論文リスト

• Chasing Moving Targets with Online Self-Play Reinforcement Learning for Safer Language Models [64.47869632167284]
  従来の言語モデル(LM)の安全性アライメントは、リアクティブで非結合な手順に依存している。 このシーケンシャルなアプローチはミスマッチを生み出し、攻撃者は時代遅れの防御に過度に適合する一方、守備側は出現する脅威に常に遅れをとどめている。 我々は,攻撃者と防御エージェントが継続的なインタラクションを通じて共進化するオンラインセルフプレイ強化学習アルゴリズムであるSelf-RedTeamを提案する。
  論文  参考訳（メタデータ） (2025-06-09T06:35:12Z)
• Through the Gaps: Uncovering Tactical Line-Breaking Passes with Clustering [0.0]
  ラインブレーキングパス(LBP)は、フットボールにおいて重要な戦術的行動であり、防御線を貫通し、高価値空間にアクセスできる。 我々は,同期イベントによるLPPの検出と分析と,エリートマッチからのデータの追跡を行う,教師なしクラスタリングベースのフレームワークを提案する。 我々のアプローチは、垂直空間分割によって相手チームの形状をモデル化し、オープンプレイ内の防御線を妨害するパスを特定します。 2022 FIFAワールドカップのチームと選手間でこれらの指標を評価し、垂直進行と構造破壊の様式的な違いを明らかにした。
  論文  参考訳（メタデータ） (2025-06-07T05:08:24Z)
• Unlearning Backdoor Threats: Enhancing Backdoor Defense in Multimodal Contrastive Learning via Local Token Unlearning [49.242828934501986]
  マルチモーダルコントラスト学習は高品質な機能を構築するための強力なパラダイムとして登場した。 バックドア攻撃は 訓練中に モデルに 悪意ある行動を埋め込む 我々は,革新的なトークンベースの局所的忘れ忘れ学習システムを導入する。
  論文  参考訳（メタデータ） (2024-03-24T18:33:15Z)
• Bayes-xG: Player and Position Correction on Expected Goals (xG) using Bayesian Hierarchical Approach [55.2480439325792]
  本研究は, 期待目標(xG)測定値を用いて, 目標となるショットの予測における選手や位置要因の影響について検討した。 StatsBombの公開データを使って、イングランドのプレミアリーグから1万発のショットを分析している。 この研究は、スペインのラ・リガとドイツのブンデスリーガのデータに分析を拡張し、同等の結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T21:54:02Z)
• Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
  敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。 汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T13:13:41Z)
• 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)
• Evaluation of soccer team defense based on prediction models of ball recovery and being attacked [0.8921166277011345]
  本研究では,ボールの回復と攻撃の予測に基づいて,チーム防御を評価する手法を提案する。 45試合のデータを用いて,提案する指標とチームパフォーマンスの関係を検討した。
  論文  参考訳（メタデータ） (2021-03-17T13:15:41Z)

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。