論文の概要: NCAA Bracket Prediction Using Machine Learning and Combinatorial Fusion Analysis

• arxiv url: http://arxiv.org/abs/2603.10916v1
• Date: Wed, 11 Mar 2026 16:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:33.040951
• Title: NCAA Bracket Prediction Using Machine Learning and Combinatorial Fusion Analysis
• Title（参考訳）: 機械学習と組合せ核融合解析を用いたNCAAブラケット予測
• Authors: Yuanhong Wu, Isaiah Smith, Tushar Marwah, Michael Schroeter, Mohamed Rahouti, D. Frank Hsu,
• Abstract要約: ランキングを利用して、 Combinatorial Fusion Analysisを使用して、2024データセットのチームランキングを生成します。 我々の結果は74.60%の精度で、人気の高い10のランキングシステムの中で最高のものよりも高い。
• 参考スコア（独自算出の注目度）: 1.1493781265003744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models have demonstrated remarkable success in sports prediction in the past years, often treating sports prediction as a classification task within the field. This paper introduces new perspectives for analyzing sports data to predict outcomes more accurately. We leverage rankings to generate team rankings for the 2024 dataset using Combinatorial Fusion Analysis (CFA), a new paradigm for combining multiple scoring systems through the rank-score characteristic (RSC) function and cognitive diversity (CD). Our result based on rank combination with respect to team ranking has an accuracy rate of $74.60\%$, which is higher than the best of the ten popular public ranking systems ($73.02\%$). This exhibits the efficacy of CFA in enhancing the precision of sports prediction through different lens.
• Abstract（参考訳）: 機械学習モデルは近年、スポーツ予測において顕著な成功を収めており、しばしばフィールド内の分類タスクとしてスポーツ予測を扱います。 本稿では,スポーツデータを解析し,結果をより正確に予測するための新たな視点を提案する。 我々は、ランクスコア特性(RSC)機能と認知多様性(CD)機能を通じて、複数のスコアシステムを組み合わせるための新しいパラダイムである Combinatorial Fusion Analysis (CFA) を用いて、2024データセットのランキングを利用してチームランキングを生成する。 チームランキングに対するランキングの組み合わせによる評価は、74.60 %$で、人気の高い10のランキングシステム(73.02 %$)のベストよりも高い。 これは、異なるレンズによるスポーツ予測の精度を高めるためのCFAの有効性を示す。

関連論文リスト

• From Players to Champions: A Generalizable Machine Learning Approach for Match Outcome Prediction with Insights from the FIFA World Cup [0.0]
  本稿では,FIFAワールドカップの優勝者予測に特化して設計された機械学習フレームワークを提案する。 チームレベルの履歴データと、ゴール、アシスト、正確性、タックルといったプレイヤー固有のパフォーマンスメトリクスを統合することで、従来の集約モデルで見過ごされる微妙なインタラクションをキャプチャします。 FIFA2022ワールドカップのデータによる実験結果は,ベースライン法よりも精度が優れていることを示している。
  論文  参考訳（メタデータ） (2025-05-03T19:17:20Z)
• Hybrid Forecasting of Geopolitical Events [71.73737011120103]
  SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。 このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。 機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-14T22:09:45Z)
• Stability and Multigroup Fairness in Ranking with Uncertain Predictions [61.76378420347408]
  我々の研究はランキング関数について考察している。分類タスクの個々の予測からランキング上の分布へのマップ。 ランキング関数の2つの側面、すなわち予測における摂動に対する安定性と、個人とサブグループの両方に対する公正性に焦点を当てる。 我々の研究は、不確実性に敏感なランキングが、グループと個人レベルの公正性の保証とを自然に補間していることを示している。
  論文  参考訳（メタデータ） (2024-02-14T17:17:05Z)
• Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
  本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。 xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。 提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
  論文  参考訳（メタデータ） (2023-07-27T07:42:44Z)
• Prediction of Handball Matches with Statistically Enhanced Learning via Estimated Team Strengths [0.0]
  ハンドボールゲームを予測するため,統計的に強化された学習モデル(別名SEL)を提案する。 SELで強化された機械学習モデルは、80%以上の精度で最先端のモデルより優れています。
  論文  参考訳（メタデータ） (2023-07-20T00:50:26Z)
• Predicting Football Match Outcomes with eXplainable Machine Learning and the Kelly Index [0.0]
  フットボールの試合の結果を予測するための機械学習アプローチが開発されている。 このデータセットは、2019-2021シーズンをカバーするプレミアリーグの試合データに由来する。 また、本書の確率をベンチマークすることで、その効果を評価するための投資戦略も考案した。
  論文  参考訳（メタデータ） (2022-11-28T19:32:58Z)
• Betting the system: Using lineups to predict football scores [0.0]
  本稿では,決勝点におけるラインアップの役割を分析し,サッカーにおけるランダム性を低減することを目的とする。 サッカークラブはラインナップに数百万ドルを投資し、個々の統計がより良い結果にどのように変換するかを知ることで投資を最適化することができる。 スポーツの賭けは指数関数的に増加しており、将来を予測することは利益があり、望ましい。
  論文  参考訳（メタデータ） (2022-10-12T15:47:42Z)
• GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win Prediction in Esports [84.55775845090542]
  本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。 GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。 本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
  論文  参考訳（メタデータ） (2022-07-26T21:38:07Z)
• Machine Learning in Sports: A Case Study on Using Explainable Models for Predicting Outcomes of Volleyball Matches [0.0]
  本稿では,ブラジルバレーボールリーグ(SuperLiga)における試合結果を予測するための2相説明可能な人工知能(XAI)アプローチについて検討する。 第1フェーズでは、解釈可能なルールベースのMLモデルを直接使用し、モデルの振る舞いをグローバルに理解する。 第2フェーズでは,SVM(Support Vector Machine)やDNN(Deep Neural Network)といった非線形モデルを構築し,バレーボールの試合結果の予測性能を得る。
  論文  参考訳（メタデータ） (2022-06-18T18:09:15Z)
• Overview of the TREC 2020 Fair Ranking Track [64.16623297717642]
  本稿は、NIST TREC 2020 Fair Ranking trackの概要を示す。 フェア・ランキング・トラックの中心的な目標は、様々な作家グループに公正な露出を提供することである。
  論文  参考訳（メタデータ） (2021-08-11T10:22:05Z)
• 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。