論文の概要: Large-Scale In-Game Outcome Forecasting for Match, Team and Players in Football using an Axial Transformer Neural Network
- arxiv url: http://arxiv.org/abs/2511.18730v1
- Date: Mon, 24 Nov 2025 03:47:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:25.003383
- Title: Large-Scale In-Game Outcome Forecasting for Match, Team and Players in Football using an Axial Transformer Neural Network
- Title（参考訳）: Axial Transformer Neural Network を用いたサッカーのマッチ,チーム,プレーヤに対する大規模ゲーム内アウトカム予測
- Authors: Michael Horton, Patrick Lucey,
- Abstract要約: 試合中に各プレイヤーが完了する各アクションの総数を正確に予測することは、様々なアプリケーションに望ましい。
本稿では,複数ステップで予測される13個の動作の総総量を連続的かつ反復的に予測するトランスフォーマーベースニューラルネットワークを提案する。
モデルが一貫した信頼性のある予測を行うことができることを実証的に示し,各ゲームに対して低レイテンシで,$sim$75,000のライブ予測を効率的に行う。
- 参考スコア（独自算出の注目度）: 0.971956328443523
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Football (soccer) is a sport that is characterised by complex game play, where players perform a variety of actions, such as passes, shots, tackles, fouls, in order to score goals, and ultimately win matches. Accurately forecasting the total number of each action that each player will complete during a match is desirable for a variety of applications, including tactical decision-making, sports betting, and for television broadcast commentary and analysis. Such predictions must consider the game state, the ability and skill of the players in both teams, the interactions between the players, and the temporal dynamics of the game as it develops. In this paper, we present a transformer-based neural network that jointly and recurrently predicts the expected totals for thirteen individual actions at multiple time-steps during the match, and where predictions are made for each individual player, each team and at the game-level. The neural network is based on an \emph{axial transformer} that efficiently captures the temporal dynamics as the game progresses, and the interactions between the players at each time-step. We present a novel axial transformer design that we show is equivalent to a regular sequential transformer, and the design performs well experimentally. We show empirically that the model can make consistent and reliable predictions, and efficiently makes $\sim$75,000 live predictions at low latency for each game.
- Abstract（参考訳）: サッカー(サッカー、英語: Football (soccer))は、プレーヤーがゴールを決め、最終的に試合に勝つためにパス、ショット、タックル、ファウルなどの様々なアクションを行う複雑なゲームプレイによって特徴づけられるスポーツである。
試合中に各プレイヤーが完了する各アクションの総数を正確に予測することは、戦術的意思決定、スポーツの賭け、テレビ放送の解説や分析など様々な用途に望ましい。
このような予測は、ゲーム状態、両チームのプレイヤーの能力とスキル、プレイヤー間の相互作用、そしてゲームの発展に伴う時間的ダイナミクスを考慮する必要がある。
本稿では,対戦中に複数のタイミングで13のアクションの予測総数を連続的かつ反復的に予測し,各プレーヤ,各チーム,ゲームレベルで予測を行うトランスフォーマーベースニューラルネットワークを提案する。
ニューラルネットワークは \emph{axial transformer} に基づいており、ゲームが進行するにつれて時間的ダイナミクスを効率的に捉える。
本稿では, 正則な逐次変圧器と等価な新しい軸方向変圧器の設計について述べる。
モデルが一貫した信頼性のある予測を行えることを実証的に示し,各ゲーム毎の低レイテンシで,$\sim$75,000のライブ予測を効率的に行う。
関連論文リスト
- Game-TARS: Pretrained Foundation Models for Scalable Generalist Multimodal Game Agents [56.25101378553328]
本稿では,汎用ゲームエージェントであるGame-TARSについて紹介する。
Game-TARSは500B以上のトークンで事前トレーニングされており、様々な軌跡とマルチモーダルデータがある。
実験により、Game-TARSは、オープンワールドMinecraftタスクにおける以前のソータモデルの約2倍の成功率を達成することが示された。
論文 参考訳（メタデータ） (2025-10-27T17:43:51Z) - Player-Team Heterogeneous Interaction Graph Transformer for Soccer Outcome Prediction [8.197004730382396]
HIGFormerは,サッカー結果予測のための新しいグラフ強化トランスフォーマーベースディープラーニングモデルである。
きめ細かいプレイヤーダイナミクスとハイレベルなチームインタラクションの両方をキャプチャします。
大規模な実世界のサッカーデータセットであるWyScout Open Accessデータセットの実験では、HIGFormerが予測精度において既存の手法を大幅に上回っていることが示されている。
論文 参考訳（メタデータ） (2025-07-14T06:43:36Z) - Action Anticipation from SoccerNet Football Video Broadcasts [84.87912817065506]
フットボール放送ビデオのアクション予測タスクについて紹介する。
我々は、5秒または10秒の予測ウィンドウ内で、観測されていない将来のフレームにおける将来の動作を予測する。
我々の研究は、自動放送、戦術分析、プレイヤーの意思決定における応用を可能にします。
論文 参考訳（メタデータ） (2025-04-16T12:24:33Z) - SportsNGEN: Sustained Generation of Realistic Multi-player Sports Gameplay [19.80390059667457]
本稿では,トランスフォーマーデコーダを用いたスポーツシミュレーションエンジンであるSportsNGENについて述べる。
プロテニス追跡データの大規模なデータベースをトレーニングすることにより,SportsNGENが生成したシミュレーションがラリーの結果を予測することができることを示す。
モデル出力サンプリングパラメータはシミュレーションリアリズムに不可欠であり,SportsNGENは確率論的に実データに適合していることを示す。
論文 参考訳（メタデータ） (2024-02-10T01:16:21Z) - Graph Neural Networks to Predict Sports Outcomes [0.0]
スポーツに依存しないグラフによるゲーム状態の表現を導入する。
次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
論文 参考訳（メタデータ） (2022-07-28T14:45:02Z) - Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。
提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。
次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
論文 参考訳（メタデータ） (2022-03-10T02:37:39Z) - Transfer Portal: Accurately Forecasting the Impact of a Player Transfer
in Soccer [0.0]
異なるリーグ間で転送される場合、将来のプレイヤーのパフォーマンスを予測することは複雑な作業である。
本稿では,これらの問題に対処し,今後の性能を正確に予測する手法を提案する。
我々のTransfer Portalモデルは、プレイヤー、チーム、リーグのスタイリスティックなレベルの入力表現と能力レベルの入力表現の両方にパーソナライズされたニューラルネットワークを使用して、選択されたクラブの選手のパフォーマンスをシミュレートする。
論文 参考訳（メタデータ） (2022-01-27T14:15:09Z) - From Motor Control to Team Play in Simulated Humanoid Football [56.86144022071756]
我々は、現実的な仮想環境でサッカーをするために、物理的にシミュレートされたヒューマノイドアバターのチームを訓練する。
一連の段階において、プレイヤーはまず、現実的な人間のような動きを実行するために、完全に関節化された身体を制御することを学習する。
その後、ドリブルやシューティングといった中級のサッカーのスキルを身につける。
最後に、彼らは他の人を意識し、チームとしてプレーし、ミリ秒のタイムスケールで低レベルのモーターコントロールのギャップを埋める。
論文 参考訳（メタデータ） (2021-05-25T20:17:10Z) - 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) - Interpretable Real-Time Win Prediction for Honor of Kings, a Popular
Mobile MOBA Esport [51.20042288437171]
本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。
実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
論文 参考訳（メタデータ） (2020-08-14T12:00:58Z)
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。