論文の概要: A Universal Dense Football Event Representation Based on TabTransformer

• arxiv url: http://arxiv.org/abs/2606.09327v1
• Date: Mon, 08 Jun 2026 10:47:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.93
• Title: A Universal Dense Football Event Representation Based on TabTransformer
• Title（参考訳）: タブ変換器に基づくユニバーサルディエンスサッカーイベント表現
• Authors: Weiran Yang, Daniel Memmert, Maximilian Klemp-Weins,
• Abstract要約: Transformerは、入力機能間の依存関係を任意の位置にキャプチャする自己注意に基づくディープニューラルネットワークアーキテクチャである。 本稿では,トランスフォーマーモデルを用いて,カテゴリー的イベント特徴間の潜伏依存性を学習し,フットボールイベントの密度の高い表現を生成する。
• 参考スコア（独自算出の注目度）: 0.433313790597694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Football event data constitute a rich spatiotemporal source for quantitative analysis of player actions in team sports. These datasets contain heterogeneous features, combining continuous location coordinates with categorical variables such as action type, action outcome, and body part. Such data have been applied in sports analytics for match outcome forecasting, player evaluation, and tactical pattern recognition. However, existing approaches predominantly encode categorical features using one-hot or ordinal embedding representations, overlooking the intrinsic semantics of action descriptors. The Transformer is a deep neural network architecture based on self-attention that captures dependencies between input features at arbitrary positions. We propose and implement a Transformer-based model to learn latent dependencies among categorical event features and produce dense representations of football events. By encoding categorical features as learned embedding vectors, sport-specific action semantics are captured during pretraining, enabling the representations to support downstream tasks such as action value estimation and play style recognition. Empirical evaluation shows that the embedding representations yield superior probability calibration over task-specific baselines on the downstream prediction tasks, as measured by Brier score.
• Abstract（参考訳）: サッカーのイベントデータは、チームスポーツにおける選手のアクションを定量的に分析するための豊富な時空間的情報源である。 これらのデータセットには異質な特徴が含まれており、連続的な位置座標とアクションタイプ、アクション結果、ボディ部分などのカテゴリ変数を組み合わせる。 このようなデータは、試合結果予測、プレイヤー評価、戦術パターン認識のためのスポーツ分析に応用されている。 しかし、既存のアプローチは、主に1ホットまたは順序の埋め込み表現を使用して分類的特徴を符号化し、アクション記述子の本質的な意味を見越す。 Transformerは、入力機能間の依存関係を任意の位置にキャプチャする自己注意に基づくディープニューラルネットワークアーキテクチャである。 本稿では,トランスフォーマーモデルを用いて,カテゴリー的イベント特徴間の潜伏依存性を学習し,フットボールイベントの密度の高い表現を生成する。 学習した埋め込みベクトルとしてカテゴリの特徴を符号化することにより、プレトレーニング中にスポーツ固有のアクションセマンティクスをキャプチャし、アクション値推定やプレイスタイル認識などの下流タスクをサポートする。 経験的評価により, 埋込表現は, 下流予測タスクにおいて, タスク固有のベースラインよりも, より優れた確率キャリブレーションをもたらすことが示された。

関連論文リスト

• 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)
• With a Little Help from your own Past: Prototypical Memory Networks for Image Captioning [47.96387857237473]
  我々は、他のトレーニングサンプルを処理しながら得られたアクティベーションに注意を向けるネットワークを考案した。 私たちのメモリは、プロトタイプベクトルの定義を通じて過去のキーと値の分布をモデル化します。 本研究では,エンコーダ・デコーダ変換器の性能を3.7 CIDErポイント向上できることを示す。
  論文  参考訳（メタデータ） (2023-08-23T18:53:00Z)
• Semantics Meets Temporal Correspondence: Self-supervised Object-centric Learning in Videos [63.94040814459116]
  自己教師付き手法は、高レベルの意味論と低レベルの時間対応の学習において顕著な進歩を見せている。 融合した意味特徴と対応地図の上に,意味認識型マスキングスロットアテンションを提案する。 我々は、時間的コヒーレントなオブジェクト中心表現を促進するために、セマンティックおよびインスタンスレベルの時間的一貫性を自己スーパービジョンとして採用する。
  論文  参考訳（メタデータ） (2023-08-19T09:12:13Z)
• Semantic-embedded Similarity Prototype for Scene Recognition [12.236534954126155]
  本稿では,意味的知識に基づく類似性プロトタイプを提案する。 これにより、実際の計算コストを増大させることなく、シーン認識ネットワークの精度を向上させることができる。 我々の類似性プロトタイプは、既存のネットワークの性能を向上するとともに、実際の展開における計算負荷の増大を回避します。
  論文  参考訳（メタデータ） (2023-08-11T01:11:46Z)
• Location-Aware Self-Supervised Transformers [74.76585889813207]
  画像部品の相対的な位置を予測し,セマンティックセグメンテーションのためのネットワークを事前訓練する。 参照パッチのサブセットを問合せのサブセットにマスキングすることで,タスクの難しさを制御します。 実験により,この位置認識事前学習が,いくつかの難解なセマンティックセグメンテーションベンチマークに競合する表現をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-12-05T16:24:29Z)
• Graph Neural Networks to Predict Sports Outcomes [0.0]
  スポーツに依存しないグラフによるゲーム状態の表現を導入する。 次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
  論文  参考訳（メタデータ） (2022-07-28T14:45:02Z)
• Self-Supervised Human Activity Recognition by Augmenting Generative Adversarial Networks [0.0]
  本稿では,自己教師型タスクによるGAN(Generative Adversarial Network)の拡張手法を提案する。 提案手法では,入力ビデオフレームは異なる空間変換によってランダムに変換される。 判別器は、補助損失を導入することにより、適用された変換を予測することを奨励される。
  論文  参考訳（メタデータ） (2020-08-26T18:28:17Z)
• FineGym: A Hierarchical Video Dataset for Fine-grained Action Understanding [118.32912239230272]
  FineGymは体操ビデオの上に構築された新しいアクション認識データセットだ。 アクションレベルとサブアクションレベルの両方で3レベルのセマンティック階層を持つテンポラリアノテーションを提供する。 この新たな粒度レベルは、行動認識に重大な課題をもたらす。
  論文  参考訳（メタデータ） (2020-04-14T17:55:21Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)

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。