論文の概要: Interpretable Machine Learning for Football Performance Analysis: Evidence of Limited Transferability from Elite Leagues to University Competition

• arxiv url: http://arxiv.org/abs/2605.10796v1
• Date: Mon, 11 May 2026 16:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.982055
• Title: Interpretable Machine Learning for Football Performance Analysis: Evidence of Limited Transferability from Elite Leagues to University Competition
• Title（参考訳）: フットボールパフォーマンス分析のための解釈可能な機械学習:エリートリーグから大学コンペティションへの限定的な移行可能性の証拠
• Authors: Yu-Fang Tsai, Yu-Jen Chen, Kok-Hua Tan, Sheng-Chieh Huang, You-Ying Ji, Yu-Lun Chen, Chun-Yi Wang, Chien-Ming Hsu,
• Abstract要約: 本研究では,エリート競技から学んだ性能決定因子が,大学レベルのサッカーに構造的に移行可能であるかを検討する。 5つの実験において、エリートフットボールは、リーグ、モデル、説明方法にまたがるパフォーマンス決定式の安定かつ一貫した階層を示した。 対照的に、NTHU大学フットボールは、重要な指標の実質的な並べ替え、説明安定性の低下、エリートドメインとのより弱い構造的合意、説明方法への感受性の向上を示した。
• 参考スコア（独自算出の注目度）: 1.6489005602231444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning has become increasingly prevalent in football performance analysis, yet most studies prioritize predictive accuracy while implicitly assuming that learned performance determinants and their interpretations are transferable across competition levels. Whether interpretability remains reliable under domain shift-from elite to university football remains largely unexplored. This study investigates whether performance determinants learned from elite competitions are structurally transferable to university-level football and whether their interpretations remain robust under domain shift. Models were trained on large-scale event data from the top five European leagues and applied to university football data from National Tsing Hua University (NTHU) using an identical feature space. Random Forest and Multilayer Perceptron models were interpreted using SHapley Additive exPlanations (SHAP) and Counterfactual Impact Score (CIS). Across five experiments, elite football exhibited a stable and consistent hierarchy of performance determinants across leagues, models, and explanation methods. In contrast, NTHU university football showed substantial reordering of key indicators, reduced explanation stability, weaker structural agreement with elite domains, and increased sensitivity to explanation method. These findings suggest that interpretability robustness is domain-dependent. Rather than reflecting methodological limitations alone, instability in explanations under domain shift may serve as a diagnostic signal of structural ambiguity in the target domain.
• Abstract（参考訳）: フットボールのパフォーマンス分析では機械学習がますます普及しているが、ほとんどの研究は予測精度を優先する一方で、学習された性能決定因子とその解釈が競技レベルで伝達可能であることを暗黙的に仮定している。 エリートから大学フットボールへのドメインシフトの下での解釈可能性の信頼性は、いまだに未解明のままである。 本研究では,エリート競技から学んだ性能決定因子が,大学レベルのサッカーに構造的に移行可能であるか,ドメインシフト下での解釈が堅牢であるかを検討する。 モデルは、ヨーロッパの上位5リーグの大規模なイベントデータに基づいて訓練され、同じ特徴空間を用いて、国立清華大学(NTHU)の大学サッカーデータに適用された。 ランダムフォレストと多層パーセプトロンモデルは、SHAP(SHAP)とCIS(Counterfactual Impact Score)を用いて解釈された。 5つの実験で、エリートフットボールはリーグ、モデル、説明方法にまたがるパフォーマンス決定式の安定的で一貫した階層を示した。 対照的に、NTHU大学フットボールは、重要な指標の実質的な並べ替え、説明安定性の低下、エリートドメインとのより弱い構造的合意、説明方法への感受性の向上を示した。 これらの結果から,解釈可能性の堅牢性はドメイン依存であることが示唆された。 方法論的な制限のみを反映するのではなく、ドメインシフトによる説明の不安定性は、対象ドメインの構造的曖昧性の診断信号として機能する。

関連論文リスト

• Soft Tournament Equilibrium [2.28438857884398]
  本稿では,設定されたトーナメントソリューションを学習・計算するための差別化可能なフレームワークであるソフトトーナメント平衡(STE)を紹介する。 出力はコアエージェントのセットで、それぞれがキャリブレーションされたメンバーシップスコアを持ち、エージェント能力の微妙で堅牢な評価を提供する。
  論文  参考訳（メタデータ） (2026-04-06T00:40:14Z)
• SAE as a Crystal Ball: Interpretable Features Predict Cross-domain Transferability of LLMs without Training [70.84726713548099]
  SAEベースのTransferability Score(STS)は、トレーニング後のTransferabilityを予測するための新しい指標である。 STSは教師付き微調整の伝達可能性を正確に予測し,実際の性能変化とともに0.7以上のピアソン相関係数を達成できることを示す。
  論文  参考訳（メタデータ） (2026-03-03T12:01:09Z)
• A Controlled Study of Double DQN and Dueling DQN Under Cross-Environment Transfer [0.0]
  本稿では,DQN(Double Deep Q-Networks)とDQN(Dueling DQN)とのアーキテクチャ的差異について検討する。 実験の結果,DDQNは検査条件下での負の移動を一貫して避けていることがわかった。 デューリングDQNは、劣化した報酬と不安定な最適化挙動を特徴とする、同一条件下での負の転移を一貫して示している。
  論文  参考訳（メタデータ） (2026-02-10T14:18:03Z)
• Reasoning as State Transition: A Representational Analysis of Reasoning Evolution in Large Language Models [50.39102836928242]
  モデルの内部状態の力学を研究するために,表現的視点を導入する。 トレーニング後、静的な初期表現品質が限られた改善しか得られないことが判明した。
  論文  参考訳（メタデータ） (2026-01-31T15:23:33Z)
• How and Why LLMs Generalize: A Fine-Grained Analysis of LLM Reasoning from Cognitive Behaviors to Low-Level Patterns [51.02752099869218]
  大きな言語モデル(LLM)は、非常に異なる一般化の振る舞いを示す。 推論を原子核スキルに分解する新しいベンチマークを導入する。 SFTモデルはよりシャープなドリフトと表面パターンへの過度な適合を示すのに対し、RL型モデルはより安定した行動プロファイルを維持し、推論スキルの崩壊に抵抗することを示す。
  論文  参考訳（メタデータ） (2025-12-30T08:16:20Z)
• Supervised Fine-Tuning or Contrastive Learning? Towards Better Multimodal LLM Reranking [56.46309219272326]
  大型言語モデル(LLM)では、教師付き微調整(SFT)による分類は、関連する(非関連)ペアに対して'yes' (resp. ''no')トークンを予測する。 この分散は中心的な疑問を提起する:どの目的がLLMベースのリランクに本質的に適しているか、どのメカニズムが違いの根底にあるのか? 我々はCLとSFTの総合的な比較と分析を行い、ユニバーサルマルチモーダル検索(UMR)を実験場とした。
  論文  参考訳（メタデータ） (2025-10-16T16:02:27Z)
• A Theoretical Analysis of Self-Supervised Learning for Vision Transformers [66.08606211686339]
  マスク付きオートエンコーダ(MAE)とコントラスト学習(CL)は異なる種類の表現をキャプチャする。 我々は,MAEとCLの両目的に対して,一層ソフトマックス型視覚変換器(ViT)のトレーニングダイナミクスについて検討した。
  論文  参考訳（メタデータ） (2024-03-04T17:24:03Z)
• Understanding Self-Supervised Learning of Speech Representation via Invariance and Redundancy Reduction [0.45060992929802207]
  自己教師付き学習(SSL)は、ラベルのないデータから柔軟な音声表現を学習するための有望なパラダイムとして登場した。 本研究は,人間の知覚における冗長性低下の理論に触発されたSSL技術であるBarlow Twins(BT)を実証分析した。
  論文  参考訳（メタデータ） (2023-09-07T10:23:59Z)
• Topic-driven Distant Supervision Framework for Macro-level Discourse Parsing [72.14449502499535]
  テキストの内部修辞構造を解析する作業は、自然言語処理において難しい問題である。 近年のニューラルモデルの発展にもかかわらず、トレーニングのための大規模で高品質なコーパスの欠如は大きな障害となっている。 近年の研究では、遠方の監督を用いてこの制限を克服しようと試みている。
  論文  参考訳（メタデータ） (2023-05-23T07:13:51Z)

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。