論文の概要: Intention Driven Identification of In-Possession Match Phases in Association Football through Temporal Graph Learning

• arxiv url: http://arxiv.org/abs/2606.09289v2
• Date: Wed, 10 Jun 2026 09:27:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 14:23:44.362819
• Title: Intention Driven Identification of In-Possession Match Phases in Association Football through Temporal Graph Learning
• Title（参考訳）: 時間グラフ学習によるアソシエーションフットボールにおけるインポジションマッチ位相の意図駆動同定
• Authors: Yuesen Li, Daniel Link,
• Abstract要約: 本研究では,マッチング関連データ追跡から係り受け位相を特定するためのデータ駆動型フレームワークを提案する。 T-GAN(Temporal Graph Attention Network)は、フレームレベルのプレイヤインタラクショングラフ、コンテキスト特徴、トランスフォーマーベースの時間モデルを組み合わせるために開発された。
• 参考スコア（独自算出の注目度）: 0.12031796234206132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding tactical organisation of association football, hereafter referred to as football, requires identifying distinct match phases. Yet in-possession phases are rarely directly observable and are shaped by evolving tactical intentions, rather than spatial patterns alone. This study proposes a data-driven framework for identifying in-possession match phases from spatiotemporal tracking data. Seven German Bundesliga matches recorded at 25 Hz with TRACAB were analysed. A hierarchical phase model was defined with three tactical intentions (Invade Opponent Space, Keep Possession, Scoring) and six phases (Build Up, Progression, Counter Attack, Maintenance, Sustained Threat, Finishing). A Temporal Graph Attention Network (T-GAN) was developed to combine frame-level player-interaction graphs, contextual features, and Transformer-based temporal modelling. Performance was evaluated using frame-level F1 and a sequence-aware Intersection over Truth-Dominance (IoT-D) metric. T-GAN achieved macro-average frame-level F1 scores of 0.87 at the intention level, 0.76 for invasion-related phases, and 0.79 for scoring phases. At the sequence level, mean diagonal IoT-D F1 increased from 0.68 to 0.79 for intentions and from 0.61 to 0.71 for phases after post-processing, indicating improved temporal coherence. Model comparisons showed that sequence modelling was the main driver of segmentation quality, while graph-based relational modelling was particularly beneficial for Counter Attack recognition. Exploratory player attention analysis further suggested that wide and midfield positional groups contributed strongly to phase discrimination. Overall, the framework translates continuous tracking data into tactically interpretable in-possession phase representations, with potential applications in automated match annotation, tactical analysis, and playing-style profiling.
• Abstract（参考訳）: サッカーの戦術的組織を理解するには、異なる試合フェーズを識別する必要がある。 しかし、インポジションフェーズは直接観測できることは稀であり、空間パターンのみではなく、戦術的意図の進化によって形成される。 本研究では,時空間追跡データからセッション内一致位相を特定するためのデータ駆動型フレームワークを提案する。 TRACABと25Hzで記録されたドイツ連邦の7試合が分析された。 階層的なフェーズモデルは、3つの戦術的意図(Invade Opponent Space, Keep Possession, Scoring)と6つのフェーズ(Build Up, Progression, Counter Attack, maintenance, Sustained Threat, Finishing)で定義される。 T-GAN(Temporal Graph Attention Network)は、フレームレベルのプレイヤインタラクショングラフ、コンテキスト特徴、トランスフォーマーベースの時間モデルを組み合わせるために開発された。 フレームレベルF1とシークエンス・アウェア・インターセクション・オブ・トゥルース・ドミナンス(IoT-D)を用いた評価を行った。 T-GANは、意図レベルでのマクロ平均フレームレベルF1スコアが0.87、侵略関連フェーズが0.76、スコアが0.79である。 シーケンスレベルでは、平均対角線IoT-D F1は意図的に0.68から0.79に増加し、後処理後に0.61から0.71に増加し、時間的コヒーレンスが改善された。 モデル比較では、シーケンスモデリングがセグメンテーション品質の主要な要因であることを示し、グラフベースのリレーショナルモデリングは特にカウンターアタック認識に有用である。 探索的プレイヤーアテンション分析により、広い位置群と中距離群が位相差に強く寄与したことが示唆された。 全体として、このフレームワークは連続的な追跡データを、自動マッチングアノテーション、戦術分析、プレイスタイルのプロファイリングといった、戦術的に解釈可能な in-possession フェーズ表現に変換する。

関連論文リスト

• Phase-Separated Complex Hilbert PCA on Markerless 3D Pose Estimation Data: A Global Phase Network and Its Extension to a Continuous Field on the Body Surface [4.849773844811223]
  スポーツ運動におけるキネマティック・チェーンの定量的解析は,パフォーマンス評価と外傷予防に不可欠である。 KS(Kinematic-Sequence)やCRP(Continuous relative phase)といった従来の手法は、隣接する結合対に限られる。 我々は、マーカーレス3Dポーズ推定データにおいて、各動き相に対して複素ヒルベルト主成分分析(CHPCA)を別々に適用する。
  論文  参考訳（メタデータ） (2026-04-27T12:44:35Z)
• ACT: Anti-Crosstalk Learning for Cross-Sectional Stock Ranking via Temporal Disentanglement and Structural Purification [36.36593000463782]
  クロスセクションの株価ランキングは、量的投資の基本的な課題である。 本稿では,時間的ゆがみと構造的浄化によるクロスセクションストックランキングのためのアンチクロストーク(ACT)フレームワークを提案する。 ACTは最先端のランキング精度と優れたポートフォリオパフォーマンスを実現し、CSI300データセットでは74.25%まで改善されている。
  論文  参考訳（メタデータ） (2026-04-22T05:39:36Z)
• Learning to Credit the Right Steps: Objective-aware Process Optimization for Visual Generation [57.61006679699323]
  強化学習は人間の嗜好信号を用いた視覚生成モデルの訓練後の効果的な枠組みとして登場した。 現代の視覚生成では、視覚的品質、動きの整合性、テキストアライメントなどの不均一な目的を捉えるために、複数の報酬モデルがしばしば使用される。 GRPO の微粒化学習のための構造化フレームワークである Objective-Aware Trajectory Credit Assignment (OTCA) を提案する。
  論文  参考訳（メタデータ） (2026-04-21T08:37:13Z)
• Learning the APT Kill Chain: Temporal Reasoning over Provenance Data for Attack Stage Estimation [0.0]
  本稿では,融合ホストとネットワーク前駆体データから多段階攻撃進行推定を行うための時間グラフ学習フレームワークを提案する。 実験の結果、StageFinderは0.96のマクロF1スコアを達成し、最先端のベースラインと比較して予測ボラティリティを31%削減した。
  論文  参考訳（メタデータ） (2026-03-08T09:48:37Z)
• KEPT: Knowledge-Enhanced Prediction of Trajectories from Consecutive Driving Frames with Vision-Language Models [19.625631486595505]
  本稿では,知識に富んだ視覚言語フレームワークであるKEPTを紹介する。 連続するフロントビュー駆動フレームから直接エゴ軌道を予測する。 オープンループプロトコル間の最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-09-03T03:10:42Z)
• KillChainGraph: ML Framework for Predicting and Mapping ATT&CK Techniques [0.0]
  本稿では,サイバーキルチェーンの7つのフェーズにまたがる敵の振る舞いをエミュレートする,相認識型マルチモデル機械学習フレームワークを提案する。 我々は、LightGBM、カスタムトランスフォーマーエンコーダ、微調整BERT、グラフニューラルネットワーク(GNN)を評価し、重み付けされたソフト投票アンサンブルを通じて出力を統合する。 F1スコアは97.47%から99.83%となり、GNNのパフォーマンス(97.36%から99.81%)を0.03%--0.20%上回った。
  論文  参考訳（メタデータ） (2025-08-19T14:10:01Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Self-Supervised Representation Learning from Temporal Ordering of Automated Driving Sequences [49.91741677556553]
  本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。 我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。 BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-02-17T18:18:27Z)
• Unifying Language Learning Paradigms [96.35981503087567]
  データセットやセットアップ全体にわたって普遍的に有効である事前学習モデルのための統一的なフレームワークを提案する。 本研究では, 事前学習対象を相互に配置し, 異なる対象間の補間を効果的に行う方法を示す。 また,テキスト内学習において,ゼロショットSuperGLUEで175B GPT-3,ワンショット要約でT5-XXLの性能を3倍に向上させた。
  論文  参考訳（メタデータ） (2022-05-10T19:32:20Z)

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。