論文の概要: Decoding Defensive Coverage Responsibilities in American Football Using Factorized Attention Based Transformer Models

• arxiv url: http://arxiv.org/abs/2603.25901v1
• Date: Thu, 26 Mar 2026 20:43:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.272494
• Title: Decoding Defensive Coverage Responsibilities in American Football Using Factorized Attention Based Transformer Models
• Title（参考訳）: ファクタライズアテンションに基づく変圧器モデルを用いたアメリカンフットボールにおけるディフェンシブカバー責任の復号
• Authors: Kevin Song, Evan Diewald, Ornob Siddiquee, Chris Boomhower, Keegan Abdoo, Mike Band, Amy Lee,
• Abstract要約: 本稿では,NFLマルチエージェントプレイトラッキングデータに適用した因子化アテンションベーストランスフォーマモデルを提案する。 本モデルにより,各プレイヤの代入とマッチアップのダイナミクスの予測モデリングが可能となる。 我々のモデルは全てのタスクに対して約89%以上の精度を達成し、真の精度は基底真理ラベルにおけるアノテーションの曖昧さを考慮に入れられる可能性がある。
• 参考スコア（独自算出の注目度）: 0.22485007639406518
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Defensive coverage schemes in the National Football League (NFL) represent complex tactical patterns requiring coordinated assignments among defenders who must react dynamically to the offense's passing concept. This paper presents a factorized attention-based transformer model applied to NFL multi-agent play tracking data to predict individual coverage assignments, receiver-defender matchups, and the targeted defender on every pass play. Unlike previous approaches that focus on post-hoc coverage classification at the team level, our model enables predictive modeling of individual player assignments and matchup dynamics throughout the play. The factorized attention mechanism separates temporal and agent dimensions, allowing independent modeling of player movement patterns and inter-player relationships. Trained on randomly truncated trajectories, the model generates frame-by-frame predictions that capture how defensive responsibilities evolve from pre-snap through pass arrival. Our models achieve approximately 89\%+ accuracy for all tasks, with true accuracy potentially higher given annotation ambiguity in the ground truth labels. These outputs also enable novel derivative metrics, including disguise rate and double coverage rate, which enable enhanced storytelling in TV broadcasts as well as provide actionable insights for team strategy development and player evaluation.
• Abstract（参考訳）: ナショナル・フットボール・リーグ(NFL)の防御的カバレッジ・スキームは、犯罪者のパスコンセプトに動的に反応しなければならない守備者の間で協調的な割り当てを必要とする複雑な戦術的パターンを表している。 本稿では,NFLマルチエージェントプレイトラッキングデータに適用した因子化アテンションベーストランスフォーマーモデルについて,各パスプレイにおける個々のカバレッジ割り当て,レシーバ-ディフェンダーマッチング,ターゲットディフェンダの予測を行う。 チームレベルでのホック後のカバレッジ分類にフォーカスする従来のアプローチとは異なり、我々のモデルは、プレイを通して個々のプレイヤーの割り当てとマッチアップダイナミクスの予測モデリングを可能にします。 因子化された注意機構は、時間次元とエージェント次元を分離し、プレイヤーの動きパターンとプレイヤー間の関係の独立したモデリングを可能にする。 ランダムにトランジットされた軌道で訓練されたこのモデルは、フレーム単位の予測を生成し、パス到着を通じてプレスナップから防御上の責任がどのように進化するかをキャプチャする。 我々のモデルは全てのタスクに対して約89\%以上の精度を達成し、基底真理ラベルのアノテーションの曖昧さから真の精度が向上する可能性がある。 これらの出力はまた、偽装率や二重カバレッジ率などの新しい派生指標を可能にし、テレビ放送におけるストーリーテリングを強化し、チーム戦略開発やプレイヤー評価に実用的な洞察を提供する。

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)
• 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)
• Expandable Decision-Making States for Multi-Agent Deep Reinforcement Learning in Soccer Tactical Analysis [6.8055385768376615]
  サッカーなどの侵入チームスポーツは、多くの選手が共有フィールドで相互作用するときに、高次元で強く結合された状態空間を作り出す。 従来のルールに基づく分析は直感的であるが、現代の予測機械学習モデルは明示的なエージェント表現なしでパターンマッチングを行うことが多い。 本稿では,関係変数による原位置と速度を増大させる意味的にリッチな状態表現である拡張可能意思決定状態(EDMS)を提案する。
  論文  参考訳（メタデータ） (2025-10-01T04:01:51Z)
• 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)
• 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)
• Toward Optimal LLM Alignments Using Two-Player Games [86.39338084862324]
  本稿では,対戦相手と防御エージェントの反復的相互作用を含む2エージェントゲームのレンズによるアライメントについて検討する。 この反復的強化学習最適化がエージェントによって誘導されるゲームに対するナッシュ平衡に収束することを理論的に実証する。 安全シナリオにおける実験結果から、このような競争環境下での学習は、完全に訓練するエージェントだけでなく、敵エージェントと防御エージェントの両方に対する一般化能力の向上したポリシーにつながることが示されている。
  論文  参考訳（メタデータ） (2024-06-16T15:24:50Z)
• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)

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。