論文の概要: The Impact of Formations on Football Matches Using Double Machine Learning. Is it worth parking the bus?
- arxiv url: http://arxiv.org/abs/2602.16830v1
- Date: Wed, 18 Feb 2026 19:51:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-20 15:21:28.318885
- Title: The Impact of Formations on Football Matches Using Double Machine Learning. Is it worth parking the bus?
- Title（参考訳）: ダブル機械学習を用いたサッカーの試合における形成の影響 : バスを駐車する価値はあるか?
- Authors: Genís Ruiz-Menárguez, Llorenç Badiella,
- Abstract要約: 先進的なDouble Machine Learningフレームワークを用いて、このプロジェクトは、キーマッチ結果に対する異なる構成の因果的影響を推定する。
その結果, 4-3-3 や 4-2-3-1 のような攻撃的形態は, 保持やコーナーにおいて, わずかに統計的に有利であることがわかった。
一般的にバスの駐車に関連する防衛陣形がチームの勝利の可能性を高めるという考え方を支持する証拠は存在しない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study addresses a central tactical dilemma for football coaches: whether to employ a defensive strategy, colloquially known as "parking the bus", or a more offensive one. Using an advanced Double Machine Learning (DML) framework, this project provides a robust and interpretable tool to estimate the causal impact of different formations on key match outcomes such as goal difference, possession, corners, and disciplinary actions. Leveraging a dataset of over 22,000 matches from top European leagues, formations were categorized into six representative types based on tactical structure and expert consultation. A major methodological contribution lies in the adaptation of DML to handle categorical treatments, specifically formation combinations, through a novel matrix-based residualization process, allowing for a detailed estimation of formation-versus-formation effects that can inform a coach's tactical decision-making. Results show that while offensive formations like 4-3-3 and 4-2-3-1 offer modest statistical advantages in possession and corners, their impact on goals is limited. Furthermore, no evidence supports the idea that defensive formations, commonly associated with parking the bus, increase a team's winning potential. Additionally, red cards appear unaffected by formation choice, suggesting other behavioral factors dominate. Although this approach does not fully capture all aspects of playing style or team strength, it provides a valuable framework for coaches to analyze tactical efficiency and sets a precedent for future research in sports analytics.
- Abstract（参考訳）: 本研究は, 防衛戦略を採用するか, バスをパーキングするか, もっと攻撃的かという, サッカー指導者の戦術的ジレンマに対処するものである。
先進的なダブル機械学習(DML)フレームワークを用いて、このプロジェクトは、ゴール差、所有、コーナー、懲戒行動といった主要なマッチ結果に対する異なる構成の因果的影響を推定する堅牢で解釈可能なツールを提供する。
上位ヨーロッパリーグからの22,000試合以上のデータセットを活用して、戦略構造と専門家の協議に基づいて6つの代表型に分類した。
主要な方法論的貢献は、新しいマトリックスベースの残留化プロセスを通じて、分類学的な処理、特に形成の組み合わせを扱うためのDMLの適応であり、コーチの戦術的意思決定に影響を及ぼすような形成逆転効果を詳細に見積もることができる。
その結果, 4-3-3 や 4-2-3-1 のような攻撃的形態は, 保持やコーナーにおいてわずかに統計的に有利であるが, 目標に対する影響は限定的であることがわかった。
さらに、バスの駐車に関連する防御陣形がチームの勝利の可能性を高めるという考え方を支持する証拠は存在しない。
さらに、赤いカードは形成選択の影響を受けず、他の行動要因が支配的であることを示唆している。
このアプローチは、プレースタイルやチームの強みのすべての側面を完全に把握するものではないが、コーチが戦術的効率を分析するための貴重なフレームワークを提供し、スポーツ分析における将来の研究の先駆けとなる。
関連論文リスト
- A Machine Learning Framework for Off Ball Defensive Role and Performance Evaluation in Football [3.418921713486739]
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。
論文 参考訳（メタデータ） (2026-01-02T17:10:36Z) - 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) - Improving Adversarial Robustness via Decoupled Visual Representation Masking [65.73203518658224]
本稿では,特徴分布の観点から,ロバストな特徴の2つの新しい特性を強調した。
現状の防衛手法は、上記の2つの問題にうまく対処することを目的としている。
具体的には、分離された視覚的表現マスキングに基づく、シンプルだが効果的な防御法を提案する。
論文 参考訳（メタデータ） (2024-06-16T13:29:41Z) - TacticAI: an AI assistant for football tactics [41.74699109772055]
TacticAIは、リバプールFCのドメインエキスパートと緊密に協力して開発されたAIフットボール戦術アシスタントである。
介入や改善の最も直接的な機会をコーチに提供するため、コーナーキックの分析に重点を置いています。
我々は、戦術のモデル提案が実際の戦術と区別できないだけでなく、当時の既存の戦術よりも有利であることを示す。
論文 参考訳（メタデータ） (2023-10-16T16:25:15Z) - All by Myself: Learning Individualized Competitive Behaviour with a
Contrastive Reinforcement Learning optimization [57.615269148301515]
競争ゲームのシナリオでは、エージェントのセットは、彼らの目標を最大化し、敵の目標を同時に最小化する決定を学習する必要があります。
本稿では,競争ゲームの表現を学習し,特定の相手の戦略をどうマップするか,それらを破壊するかを学習する3つのニューラルネットワーク層からなる新しいモデルを提案する。
我々の実験は、オフライン、オンライン、競争特化モデル、特に同じ対戦相手と複数回対戦した場合に、我々のモデルがより良いパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2023-10-02T08:11:07Z) - 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) - Coach-Player Multi-Agent Reinforcement Learning for Dynamic Team
Composition [88.26752130107259]
現実世界のマルチエージェントシステムでは、異なる能力を持つエージェントがチーム全体の目標を変更することなく参加または離脱する可能性がある。
この問題に取り組むコーチ・プレイヤー・フレームワーク「COPA」を提案します。
1)コーチと選手の両方の注意メカニズムを採用し、2)学習を正規化するための変動目標を提案し、3)コーチが選手とのコミュニケーションのタイミングを決定するための適応的なコミュニケーション方法を設計する。
論文 参考訳（メタデータ） (2021-05-18T17:27:37Z) - Adversarial Training as Stackelberg Game: An Unrolled Optimization
Approach [91.74682538906691]
逆行訓練はディープラーニングモデルの一般化性能を向上させることが示されている。
Stackelbergゲームとして, 対人トレーニングを定式化するStackelberg Adversarial Training (SALT)を提案する。
論文 参考訳（メタデータ） (2021-04-11T00:44:57Z) - An analysis of Reinforcement Learning applied to Coach task in IEEE Very
Small Size Soccer [2.5400028272658144]
本稿では、強化学習(RL)に基づくコーチングタスクのエンドツーエンドアプローチを提案する。
シミュレーション環境では、3つの異なるチームに対して2つのRLポリシーをトレーニングしました。
結果はVSSSリーグのトップチームの1つに対して評価された。
論文 参考訳（メタデータ） (2020-11-23T23:10:06Z) - 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)
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。