論文の概要: The Value of Graph-based Encoding in NBA Salary Prediction
- arxiv url: http://arxiv.org/abs/2603.05671v1
- Date: Thu, 05 Mar 2026 20:46:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-09 13:17:44.490919
- Title: The Value of Graph-based Encoding in NBA Salary Prediction
- Title（参考訳）: NBAサラリー予測におけるグラフベース符号化の価値
- Authors: Junhao Su, David Grimsman, Christopher Archibald,
- Abstract要約: 裁判所データのオン/オフで知識グラフを構築し、そのグラフをベクトル空間に埋め込むことで、教師あり学習者が給与に影響する要因の景観をよりよく理解できることを示す。
いくつかのグラフ埋め込みアルゴリズムを比較し、そのようなプロセスがNBAの給与予測に不可欠であることを示す。
- 参考スコア（独自算出の注目度）: 3.576204257065211
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Market valuations for professional athletes is a difficult problem, given the amount of variability in performance and location from year to year. In the National Basketball Association (NBA), a straightforward way to address this problem is to build a tabular data set and use supervised machine learning to predict a player's salary based on the player's performance in the previous year. For younger players, whose contracts are mostly built on draft position, this approach works well, however it can fail for veterans or those whose salaries are on the high tail of the distribution. In this paper, we show that building a knowledge graph with on and off court data, embedding that graph in a vector space, and including that vector in the tabular data allows the supervised learning to better understand the landscape of factors that affect salary. We compare several graph embedding algorithms and show that such a process is vital to NBA salary prediction.
- Abstract（参考訳）: プロアスリートの市場評価は、パフォーマンスと位置の変化が年々変化していることを考えると、難しい問題である。
NBA(National Basketball Association)において、この問題に対処するための簡単な方法は、前年の選手のパフォーマンスに基づいて、テーブル形式のデータセットを構築し、教師付き機械学習を使用してプレイヤーの給与を予測することである。
主にドラフトポジションで契約を締結している若いプレイヤーにとって、このアプローチはうまく機能するが、ベテランや流通の最高水準にある給与で失敗する可能性がある。
本稿では,裁判所データのオン/オフで知識グラフを構築し,そのグラフをベクトル空間に埋め込み,そのベクトルを表データに含めることで,教師あり学習者が給与に影響を及ぼす要因の景観をよりよく理解することができることを示す。
いくつかのグラフ埋め込みアルゴリズムを比較し、そのようなプロセスがNBAの給与予測に不可欠であることを示す。
関連論文リスト
- Interpretable Low-Dimensional Modeling of Spatiotemporal Agent States for Decision Making in Football Tactics [0.9207076627649226]
ルールベースのモデルは専門家の知識と一致するが、すべての選手の状態を十分に考慮していない。
提案手法は,ボールホルダ電位受信機の両方に対する解釈可能な状態変数を定義する。
解析の結果,選手とボールの間の距離と選手の空間スコアが,パスを成功させる上で重要な要因であることが判明した。
論文 参考訳（メタデータ） (2025-06-20T02:37:52Z) - Graph Encoding and Neural Network Approaches for Volleyball Analytics:
From Game Outcome to Individual Play Predictions [5.399740513992854]
我々は,すでに利用可能なバレーボールデータセットにコンタクトバイコンタクトバレーボールコンテキストを追加するための,特殊なグラフ符号化手法を導入する。
この強化データセットにグラフニューラルネットワーク(GNN)を用いた3つのバレーボール予測タスクの潜在的な利点を実証する。
以上の結果から,グラフエンコーディングによるGNNの利用により,より高度なデータ解析が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-08-22T02:51:42Z) - 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) - Learning Correlated Equilibria in Mean-Field Games [62.14589406821103]
我々は平均場相関と粗相関平衡の概念を発展させる。
ゲームの構造に関する仮定を必要とせず,効率よくゲーム内で学習できることが示される。
論文 参考訳（メタデータ） (2022-08-22T08:31:46Z) - 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) - Machine Learning Modeling to Evaluate the Value of Football Players [0.0]
本研究では,機械学習モデルの構築に基づく,現在のサッカー選手の価値を評価する新しい手法について検討する。
このプロジェクトで使用された選手のデータは、いくつかのサッカーウェブサイトにある。
その動機は、サッカー選手の異なる特徴と彼らの給与の関係を探ることである。
論文 参考訳（メタデータ） (2022-07-22T22:34:52Z) - 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) - Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies
in Extensive-Form Zero-Sum Games [123.76716667704625]
我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。
この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。
各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-09-21T17:51:57Z) - 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) - Estimating NBA players salary share according to their performance on
court: A machine learning approach [0.0]
研究者や実践者は、裁判所での選手のパフォーマンスに基づいてNBA選手の給与を予測するために、線形モデルに適合することが慣例である。
まず、最も重要な決定要因や統計を選択することで、選手の給与共有に焦点を当てます。
次に,非線型ランダムフォレスト機械学習アルゴリズムを用いて,プレイヤーの給与を予測する。
論文 参考訳（メタデータ） (2020-07-29T09:21:27Z) - Evaluating and Rewarding Teamwork Using Cooperative Game Abstractions [103.3630903577951]
我々は、協調ゲーム理論を用いて、プロスポーツから、人工RLエージェントのチームと現実世界のチームを研究する。
データからCFを推定するための協調ゲーム抽象化(CGA)と呼ばれるパラメトリックモデルを導入する。
CGAモデルに対する識別結果とサンプル境界の複雑さと、CGAを用いたShapley値の推定における誤差境界を提供する。
論文 参考訳（メタデータ） (2020-06-16T22:03:36Z)
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。