論文の概要: Modeling Matches as Language: A Generative Transformer Approach for Counterfactual Player Valuation in Football

• arxiv url: http://arxiv.org/abs/2603.15212v1
• Date: Mon, 16 Mar 2026 12:51:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.284797
• Title: Modeling Matches as Language: A Generative Transformer Approach for Counterfactual Player Valuation in Football
• Title（参考訳）: 言語としてのマッチングのモデル化: サッカーにおける対実的プレイヤー評価のための生成的トランスフォーマーアプローチ
• Authors: Miru Hong, Minho Lee, Geonhee Jo, Hyeokje Jo, Pascal Bauer, Sang-Ki Ko,
• Abstract要約: ScoutGPTは、フットボールの試合イベントを言語モデリングフレームワーク内のシーケンシャルトークンとして扱う生成モデルである。 ScoutGPTは、マッチイベントシーケンスのダイナミクスを学び、仮説的なラインアップの下でイベントシーケンスをシミュレートする。 Kリーグのデータの実験では、プレイヤーの移動をシミュレートすると攻撃進行とゴール確率が測定可能な変化をもたらすことが示されている。
• 参考スコア（独自算出の注目度）: 5.36551574565267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evaluating football player transfers is challenging because player actions depend strongly on tactical systems, teammates, and match context. Despite this complexity, recruitment decisions often rely on static statistics and subjective expert judgment, which do not fully account for these contextual factors. This limitation stems largely from the absence of counterfactual simulation mechanisms capable of predicting outcomes in hypothetical scenarios. To address these challenges, we propose ScoutGPT, a generative model that treats football match events as sequential tokens within a language modeling framework. Utilizing a NanoGPT-based Transformer architecture trained on next-token prediction, ScoutGPT learns the dynamics of match event sequences to simulate event sequences under hypothetical lineups, demonstrating superior predictive performance compared to existing baseline models. Leveraging this capability, the model employs Monte Carlo sampling to enable counterfactual simulation, allowing for the assessment of unobserved scenarios. Experiments on K League data show that simulated player transfers lead to measurable changes in offensive progression and goal probabilities, indicating that ScoutGPT captures player-specific impact beyond traditional static metrics.
• Abstract（参考訳）: 選手の行動は戦術システム、チームメイト、マッチコンテキストに強く依存するため、選手の移動を評価することは困難である。 この複雑さにもかかわらず、採用決定はしばしば静的統計と主観的専門家の判断に依存し、これらの文脈的要因を十分に考慮していない。 この制限は、仮説上のシナリオで結果を予測できる反実的なシミュレーション機構が存在しないことに起因する。 これらの課題に対処するために,フットボールの試合イベントを言語モデリングフレームワーク内のシーケンシャルトークンとして扱う生成モデルであるScoutGPTを提案する。 次世代の予測に基づいてトレーニングされたNanoGPTベースのTransformerアーキテクチャを利用することで、ScoutGPTはマッチイベントシーケンスのダイナミクスを学び、仮説的なラインアップの下でイベントシーケンスをシミュレートし、既存のベースラインモデルと比較して優れた予測性能を示す。 この能力を活用して、モデルはモンテカルロサンプリングを使用して、非観測シナリオの評価を可能にする。 K Leagueのデータの実験では、プレイヤーの移動をシミュレートすると攻撃的な進行とゴール確率が測定可能な変化をもたらすことが示され、ScoutGPTが従来の静的メトリクスを超えたプレイヤー固有の影響を捉えている。

関連論文リスト

• MOTIF: Learning Action Motifs for Few-shot Cross-Embodiment Transfer [55.982504915794514]
  クロス・エボディメント・ポリシーは一般的に共有プライベート・アーキテクチャに依存している。 本報告では,MOTIFを効率よく数発のクロスボディーメントトランスファーに適用する。 我々はMOTIFが数発の転送シナリオにおいて強いベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-14T13:21:40Z)
• ScoutGPT: Capturing Player Impact from Team Action Sequences Using GPT-Based Framework [5.36551574565267]
  本稿では,GPT方式の自己回帰変換器上に構築された,プレイヤー条件の付加価値を考慮した次世代予測モデルであるEventGPTを紹介する。 我々のモデルは、マッチプレイを離散トークンのシーケンスとして扱い、次のオンボールアクションのタイプ、位置、タイミング、そしてその推定残高のオンボール値を予測するために共同で学習する。 学習したプレイヤーを新しいイベントシーケンスに置き換えることで、プレイヤーの行動分布と値プロファイルが、異なるチームや戦術構造に置かれるときにどのように変化するかをシミュレートすることができる。
  論文  参考訳（メタデータ） (2025-12-19T06:30:11Z)
• What-If Analysis of Large Language Models: Explore the Game World Using Proactive Thinking [50.72154186522052]
  大規模言語モデル(LLM)は情報処理をリアクティブに行う能力に優れるが、仮説的未来を体系的に探索する能力に欠ける。 提案するWiA-LLMは,LLMにプロアクティブな思考能力を持たせる新しいパラダイムである。 複雑なマルチプレイヤーゲーム環境であるHonor of KingsにおけるWiA-LLMを検証する。
  論文  参考訳（メタデータ） (2025-09-05T04:05:27Z)
• 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)
• Estimating Player Performance in Different Contexts Using Fine-tuned Large Events Models [0.7373617024876725]
  本稿では,Large Event Models (LEM) のサッカー解析への応用について紹介する。 LEMは、単語ではなく、後続のイベントの変数を予測する。 我々は、2017-18シーズンのプレミアリーグシーズンのWyScoutデータセットによる微調整LEMに焦点を当てている。
  論文  参考訳（メタデータ） (2024-02-09T22:47:25Z)
• ShuttleSHAP: A Turn-Based Feature Attribution Approach for Analyzing Forecasting Models in Badminton [52.21869064818728]
  バドミントンにおけるプレイヤー戦術予測のための深層学習アプローチは、部分的にはラリープレイヤの相互作用に関する効果的な推論に起因する有望なパフォーマンスを示している。 本稿では,Shapley値の変量に基づいてバドミントンにおける予測モデルを解析するためのターンベース特徴属性手法であるShuttleSHAPを提案する。
  論文  参考訳（メタデータ） (2023-12-18T05:37:51Z)
• Inverse Dynamics Pretraining Learns Good Representations for Multitask Imitation [66.86987509942607]
  このようなパラダイムを模倣学習でどのように行うべきかを評価する。 本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。 逆動力学モデリングはこの設定に適していると主張する。
  論文  参考訳（メタデータ） (2023-05-26T14:40:46Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)

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。