論文の概要: Structural Pass Analysis in Football: Learning Pass Archetypes and Tactical Impact from Spatio-Temporal Tracking Data

• arxiv url: http://arxiv.org/abs/2603.28916v1
• Date: Mon, 30 Mar 2026 18:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.671999
• Title: Structural Pass Analysis in Football: Learning Pass Archetypes and Tactical Impact from Spatio-Temporal Tracking Data
• Title（参考訳）: サッカーにおける構造パス解析:時空間追跡データからパスパスの古型と戦術的影響を学習する
• Authors: Oktay Karakuş, Hasan Arkadaş,
• Abstract要約: 本稿では,サッカーパスと防御構造との相互作用に基づいて,サッカーパスを解析するための構造的枠組みを提案する。 同期トラッキング/イベントデータを用いて、線形バイパス、スペースゲインメトリック、構造破壊指数という3つの補完的な構造指標を導出する。 これらの指標は、個々のパスの構造的影響を捉えた複合的戦術的インパクト(TIV)にまとめられる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing availability of spatio-temporal tracking data has created new opportunities for analysing tactical behaviour in football. However, many existing approaches evaluate passes primarily through outcome-based metrics such as scoring probability or possession value, providing limited insight into how passes influence the defensive organisation of the opponent. This paper introduces a structural framework for analysing football passes based on their interaction with defensive structure. Using synchronised tracking/event data, we derive three complementary structural metrics, Line Bypass Score, Space Gain Metric, and Structural Disruption Index, that quantify how passes alter the spatial configuration of defenders. These metrics are combined into a composite measure termed Tactical Impact Value (TIV), which captures the structural influence of individual passes. Using tracking and event data from the 2022 FIFA World Cup, we analyse structural passing behaviour across multiple tactical levels. Unsupervised clustering of structural features reveals four interpretable pass archetypes: circulatory, destabilising, line-breaking, and space-expanding passes. Empirical results show that passes with higher TIV are significantly more likely to lead to territorial progression, particularly entries into the final third and penalty box. Spatial, team-level analyses further reveal distinctive structural passing styles across teams, while player-level analysis highlights the role of build-up defenders as key drivers of structural progression. In addition, analysing passer-receiver interactions identifies structurally impactful passing partnerships that amplify tactical progression within teams. Overall, the proposed framework demonstrates how structural representations derived from tracking data can reveal interpretable tactical patterns in football.
• Abstract（参考訳）: 時空間追跡データの増加は、フットボールにおける戦術的行動を分析する新たな機会を生み出している。 しかし、既存の多くのアプローチは、主に確率や所有価値などの結果に基づく指標を通じてパスを評価し、パスが相手の防衛組織にどのように影響するかについて限られた洞察を与えている。 本稿では,サッカーパスと防御構造との相互作用に基づいて,サッカーパスを解析するための構造的枠組みを提案する。 同期トラッキング/イベントデータを用いて、3つの補完的な構造指標、Line Bypass Score、Space Gain Metric、Structure Disruption Indexを導出し、パスがディフェンダーの空間構成を変更する方法を定量化する。 これらの指標はTIV(Tactical Impact Value)と呼ばれる複合尺度にまとめられ、個々のパスの構造的影響を捉える。 2022 FIFAワールドカップの追跡とイベントデータを用いて、我々は複数の戦術レベルの構造的通過挙動を分析する。 構造的特徴の教師なしクラスタリングでは、循環、不安定化、線破り、空間拡張の4つの解釈可能なパスアーチタイプが明らかにされている。 実証実験の結果、TIVが高いパスは、特に最終3回目とペナルティボックスへのエントリーにおいて、領土の進歩につながる可能性が著しく高いことが示された。 空間的、チームレベルの分析は、チーム間で異なる構造的パススタイルを明らかにし、プレイヤーレベルの分析は、構造的進行の鍵となる要因として、ビルドアップディフェンダーの役割を強調します。 さらに、通行人と受信者の相互作用を分析することで、チーム内の戦術的進歩を増幅する構造的に影響のあるパスパートナーシップが特定される。 提案フレームワークは, 追跡データから得られる構造的表現が, フットボールにおける解釈可能な戦術パターンを明らかにする方法を示す。

関連論文リスト

• The Impact of Formations on Football Matches Using Double Machine Learning. Is it worth parking the bus? [0.0]
  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。
  論文  参考訳（メタデータ） (2026-02-18T19:51:42Z)
• The path to a goal: Understanding soccer possessions via path signatures [0.0]
  本稿では,パスシグネチャを利用して,その複雑な時間構造を符号化することにより,サッカー保有者の次の行動を予測する新しい枠組みを提案する。 提案手法は,様々な損失指標にまたがるトランスフォーマーベースのベンチマークより優れ,計算コストを大幅に削減する。 我々は2017/18シーズンのプレミアリーグシーズンの詳細な分析を通じてアプローチを検証するとともに、さらなる応用と今後の拡張について議論する。
  論文  参考訳（メタデータ） (2025-08-18T13:54:22Z)
• Amplifying Machine Learning Attacks Through Strategic Compositions [25.796285779866686]
  我々は,モデルの推論フェーズにおいて,逆例,属性推論,メンバシップ推論,プロパティ推論という,よく研究された4つの攻撃に焦点を当てた。 本研究では,属性推論を準備レベルで支援するプロパティ推論と,その実行レベルでのプロパティ推論を補助する逆例の4つの効果的な攻撃成分を同定する。 我々の研究は、研究者や実践者が、複数の攻撃戦略を含む高度な敵の設定を検討するために役立ちます。
  論文  参考訳（メタデータ） (2025-06-23T17:38:48Z)
• Through the Gaps: Uncovering Tactical Line-Breaking Passes with Clustering [0.0]
  ラインブレーキングパス(LBP)は、フットボールにおいて重要な戦術的行動であり、防御線を貫通し、高価値空間にアクセスできる。 我々は,同期イベントによるLPPの検出と分析と,エリートマッチからのデータの追跡を行う,教師なしクラスタリングベースのフレームワークを提案する。 我々のアプローチは、垂直空間分割によって相手チームの形状をモデル化し、オープンプレイ内の防御線を妨害するパスを特定します。 2022 FIFAワールドカップのチームと選手間でこれらの指標を評価し、垂直進行と構造破壊の様式的な違いを明らかにした。
  論文  参考訳（メタデータ） (2025-06-07T05:08:24Z)
• TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
  PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。 一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-14T14:58:30Z)
• Decoupled Subgraph Federated Learning [57.588938805581044]
  複数のクライアントに分散したグラフ構造化データに対するフェデレーション学習の課題に対処する。 我々は、このシナリオのための新しいフレームワーク、FedStructを紹介します。 半教師付きノード分類のための6つのデータセットを用いて実験結果を用いてFedStructの有効性を検証する。
  論文  参考訳（メタデータ） (2024-02-29T13:47:23Z)
• StructGPT: A General Framework for Large Language Model to Reason over Structured Data [117.13986738340027]
  我々は,構造化データに基づく質問応答タスクの解法として,emphIterative Reading-then-Reasoning(IRR)アプローチを開発した。 提案手法はChatGPTの性能を大幅に向上させ,全データの教師付きベースラインに対して同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-05-16T17:45:23Z)
• SoccerCPD: Formation and Role Change-Point Detection in Soccer Matches Using Spatiotemporal Tracking Data [18.884300680050316]
  サッカーCPDは、戦術的に意図された形成と役割の変化を、サッカーの試合における一時的な変化と区別する、変化点検出フレームワークである。 本手法は,戦術的変化点を正確に検出し,セグメントごとの生成と役割割り当てを推定する。
  論文  参考訳（メタデータ） (2022-06-22T09:07:24Z)
• Curse or Redemption? How Data Heterogeneity Affects the Robustness of Federated Learning [51.15273664903583]
  データの不均一性は、フェデレートラーニングにおける重要な特徴の1つとして認識されているが、しばしば敵対的攻撃に対する堅牢性のレンズで見過ごされる。 本稿では, 複合学習におけるバックドア攻撃の影響を, 総合的な実験を通じて評価し, 理解することを目的とした。
  論文  参考訳（メタデータ） (2021-02-01T06:06:21Z)

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。