論文の概要: A Machine Learning Framework for Off Ball Defensive Role and Performance Evaluation in Football
- arxiv url: http://arxiv.org/abs/2601.00748v1
- Date: Fri, 02 Jan 2026 17:10:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-05 15:04:33.608167
- Title: A Machine Learning Framework for Off Ball Defensive Role and Performance Evaluation in Football
- Title（参考訳）: フットボールにおけるオフボール防御の役割と性能評価のための機械学習フレームワーク
- Authors: Sean Groom, Shuo Wang, Francisco Belo, Axl Rice, Liam Anderson,
- Abstract要約: 我々は,フットボールゲームにおいてコーナーキックに適した,共依存型Hidden Markov Model (CDHMM)を導入する。
本モデルでは,プレイヤー追跡データから直接,時間分解によるマンマーキングと地域割当を推定する。
本稿では,防衛的信用帰属のための新しい枠組みと,オフボール防御性能の実証分析のための役割条件付ゴースト法を提案する。
- 参考スコア（独自算出の注目度）: 3.418921713486739
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating off-ball defensive performance in football is challenging, as traditional metrics do not capture the nuanced coordinated movements that limit opponent action selection and success probabilities. Although widely used possession value models excel at appraising on-ball actions, their application to defense remains limited. Existing counterfactual methods, such as ghosting models, help extend these analyses but often rely on simulating "average" behavior that lacks tactical context. To address this, we introduce a covariate-dependent Hidden Markov Model (CDHMM) tailored to corner kicks, a highly structured aspect of football games. Our label-free model infers time-resolved man-marking and zonal assignments directly from player tracking data. We leverage these assignments to propose a novel framework for defensive credit attribution and a role-conditioned ghosting method for counterfactual analysis of off-ball defensive performance. We show how these contributions provide a interpretable evaluation of defensive contributions against context-aware baselines.
- Abstract（参考訳）: 従来の指標では、相手のアクション選択と成功確率を制限する微妙な調整された動きを捉えないため、フットボールにおけるオフボール防御性能の評価は困難である。
広く使われている所有価値モデルは、ボール上での行動を評価するのに優れているが、その防衛への応用は限られている。
ゴーストモデルのような既存のカウンターファクトの手法は、これらの分析を拡張するのに役立つが、戦術的な文脈に欠ける「平均的な」振る舞いをシミュレートすることに依存することが多い。
これを解決するために,コーナキックに適した共変量依存型ハイデンマルコフモデル(CDHMM)を導入する。
ラベルのないモデルでは、プレイヤー追跡データから直接、タイムリーなマンマークとゾーンの割り当てを推測する。
本研究では,これらの課題を活用して,防御的信用帰属のための新しい枠組みと,オフボール防御性能の対実的分析のための役割条件付ゴーストリング手法を提案する。
これらのコントリビューションが、コンテキスト認識ベースラインに対する防御的コントリビューションの解釈可能な評価を提供する方法を示す。
関連論文リスト
- Better Prevent than Tackle: Valuing Defense in Soccer Based on Graph Neural Networks [22.27208191198993]
DEFCON(Defensive Contribution Evaluator)は、サッカーにおける全ての攻撃状況に対するプレイヤーレベルの防御的貢献を定量化するフレームワークである。
DEFCONは、各攻撃オプションの成功確率と期待値と、それを止めるための各守備者の責任を見積もる。
相手の期待された可能性価値を減らしたか、あるいは増やしたかに応じて、肯定的または否定的な信用を被告に割り当てる。
論文 参考訳（メタデータ） (2025-12-11T07:12:23Z) - Analysis of Line Break prediction models for detecting defensive breakthrough in football [0.0]
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。
論文 参考訳（メタデータ） (2025-10-31T06:42:20Z) - 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) - Benchmarking Misuse Mitigation Against Covert Adversaries [80.74502950627736]
既存の言語モデルの安全性評価は、オーバースト攻撃と低レベルのタスクに重点を置いている。
我々は、隠蔽攻撃と対応する防御の評価を自動化するデータ生成パイプラインである、ステートフルディフェンスのためのベンチマーク(BSD)を開発した。
評価の結果,分解攻撃は有効な誤用防止剤であり,その対策としてステートフルディフェンスを強調した。
論文 参考訳（メタデータ） (2025-06-06T17:33:33Z) - MISLEADER: Defending against Model Extraction with Ensembles of Distilled Models [56.09354775405601]
モデル抽出攻撃は、クエリアクセスを通じてブラックボックスモデルの機能を複製することを目的としている。
既存のディフェンスでは、アタッカークエリにはオフ・オブ・ディストリビューション(OOD)サンプルがあることを前提としており、不審な入力を検出し破壊することができる。
OOD仮定に依存しない新しい防衛戦略であるMISLEADERを提案する。
論文 参考訳（メタデータ） (2025-06-03T01:37:09Z) - Unveiling Hidden Pivotal Players with GoalNet: A GNN-Based Soccer Player Evaluation System [8.957579200590988]
サッカー分析ツールは、期待目標などの指標を強調し、プレイヤーの貢献を過度に表現する。
我々は、予測脅威(xT)の変化に対する個人クレジットを割り当てるGNNベースのフレームワークを導入する。
我々のパイプラインは、イベント中心グラフにおける空間的特徴と時間的特徴の両方を符号化し、非装飾行動の公平な帰属を可能にする。
論文 参考訳（メタデータ） (2025-03-12T18:36:55Z) - 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) - What Happened Next? Using Deep Learning to Value Defensive Actions in
Football Event-Data [1.290382979353427]
我々は、このような防御行動を評価する新しいメトリクスを定義するために、ディープラーニング技術を使用します。
それらに先行するプレイパスの脅威を研究することで、私たちは防御行動を評価することができます。
我々のモデルは、イベントデータを用いてディフェンスディフェンダーの影響を予測することができる。
論文 参考訳（メタデータ） (2021-06-03T12:18:26Z)
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。