論文の概要: Sim2Win: A Team-Agnostic, Event-Based Pre-Match Outcome Prediction and Tactical Profiling System for Football
- arxiv url: http://arxiv.org/abs/2607.26061v1
- Date: Tue, 26 May 2026 01:46:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:39.091156
- Title: Sim2Win: A Team-Agnostic, Event-Based Pre-Match Outcome Prediction and Tactical Profiling System for Football
- Title（参考訳）: Sim2Win: チームに依存しない、イベントベースのフットボールのアウトカム予測と戦術プロファイリングシステム
- Abstract要約: Sim2Winは、チームに依存しない、イベントベースの戦術的レコメンデーションフレームワークである。
システムはチーム名やアイデンティティ機能なしで動作し、トレーニング中に見たことのないチームに一般化を可能にする。
Sim2Win は平均 ROC-AUC が 0.704 であり、完全に見えないチームでは 55.4% の精度である。
- 参考スコア（独自算出の注目度）: 0.5156484100374058
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Pre-match tactical decision-making in professional football relies heavily on subjective expert analysis and identity-based scouting systems that cannot generalize to unseen teams. This paper presents Sim2Win, a team-agnostic, event-based pre-match tactical recommendation framework that reframes match outcome prediction as a tactical decision-support problem. Using StatsBomb open event data from eleven competitions spanning 178 teams and 1,411 team-match records, Sim2Win constructs five-match rolling tactical profiles, engineers four interpretable tactical feature ratios, clusters team behaviors into eight playstyles via K-Means, and trains thirteen classifiers to estimate win, draw, and loss probabilities from tactical matchup representations. The system operates without team names or identity features, enabling generalization to teams never seen during training. A rigorous Leave-One-Competition-Out (LOCO) evaluation demonstrates that Sim2Win achieves a mean ROC-AUC of 0.704 and mean accuracy of 55.4% on completely unseen teams, outperforming ELO, Pi-Rating, and GAP baselines on all 21 ROC-AUC comparisons and 19 of 21 accuracy comparisons. Among all evaluated models, CatBoost achieved the strongest in-distribution performance with 60.90% accuracy. These findings suggest that behavioral tactical representations provide transferable predictive signal under distribution shift and offer a viable alternative to identity-dependent football prediction systems.
- Abstract（参考訳）: プロサッカーにおける事前の戦術的意思決定は、未確認のチームに一般化できない主観的専門家分析とアイデンティティに基づくスカウトシステムに大きく依存している。
提案するSim2Winは、チームに依存しない、イベントベースの戦術的推薦フレームワークで、結果予測を戦術的決定支援問題として再編成する。
StatsBombは178のチームと1,411のチームマッチ記録からなる11の競技会のイベントデータを公開し、Sim2Winは5つのマッチのローリング戦術プロファイルを構築し、エンジニアは4つの解釈可能な戦術的特徴比、K-Meansを介して8つのプレースタイルにチームの振る舞いをクラスタ化し、13の分類器を訓練して、勝利、引き分け、損失確率を戦術的なマッチアップ表現から推定する。
システムはチーム名やアイデンティティ機能なしで動作し、トレーニング中に見たことのないチームへの一般化を可能にする。
厳密なLeave-One-Competition-Out (LOCO) 評価では、Sim2Winは平均ROC-AUCが0.704で、完全に見えないチームでは55.4%、ELO、Pi-Rating、GAPのベースラインが21のROC-AUCと比較され、19の精度で比較されている。
評価された全てのモデルの中で、CatBoostは60.90%の精度で最強のインディストリビューション性能を達成した。
これらの結果から, 行動的戦術的表現は分布シフト下での伝達可能な予測信号を提供し, 同一性に依存したフットボールの予測システムの代替となる可能性が示唆された。
関連論文リスト
- Reasoning Arena: Trace Tournaments When Verifiable Rewards Fall Short [51.667769734342635]
検証可能な報酬付き強化学習(RLVR)は,大規模言語モデルの推論能力向上のための主要なパラダイムとなっている。
本研究では,非多変量報酬群を判定システムにルーティングする適応学習フレームワークであるReasoning Arenaを提案する。
我々は、Reasoning Arenaが、競争数学やコーディングベンチマークにおいて、RLVRベースラインを平均で7.6%上回っていることを示す。
論文 参考訳（メタデータ） (2026-06-08T11:57:17Z) - MINDGAMES: A Live Arena for Evaluating Social and Strategic Reasoning in Multi-Agent LLMs [54.81359054218573]
大規模言語モデル(LLM)のためのマルチゲームアリーナと評価プラットフォームであるMindgamesを紹介する。
Mindgamesは、統合されたインタラクションインターフェース、TrueSkillベースの評価、および4つのゲーム環境にわたる完全な軌跡ログを提供する。
我々は,決定論的オフライントーナメントプロトコルMG-Refとともに,ターンレベルの観察,アクション,報酬を含む29,571個のマルチエージェントゲームを分析した。
論文 参考訳（メタデータ） (2026-05-28T07:33:47Z) - TacticGen: Grounding Adaptable and Scalable Generation of Football Tactics [60.9005633936196]
TacticGenは適応性とスケーラブルな戦術生成のための生成モデルである。
トップクラスのリーグから330万以上のイベントと1億の追跡フレームをトレーニングすることで、TacticGenは選手の軌道予測における最先端の精度を達成する。
フットボールの専門家によるケーススタディでは、TacticGenが現実的で戦略的に価値のある戦術を生み出していることが確認されている。
論文 参考訳（メタデータ） (2026-04-20T12:57:11Z) - GenTac: Generative Modeling and Forecasting of Soccer Tactics [66.35532694378146]
GenTacはサッカーの戦術を、連続したマルチプレイヤーの軌跡と個別の意味的な出来事のプロセスとして概念化している。
対戦行動、特定のチームやリーグプレースタイル、戦略的目的など、リッチなコンテキスト条件付けをサポートする。
バスケットボール、アメリカンフットボール、アイスホッケーなど、他のダイナミックチームスポーツへの一般化をうまく訓練することができる。
論文 参考訳（メタデータ） (2026-04-13T17:53:49Z) - TacSIm: A Dataset and Benchmark for Football Tactical Style Imitation [5.108991103098588]
Tac SImはTactical Style Imitationの大規模なデータセットとベンチマークである。
Tac SImはプレ・ミアリーグの試合の放送映像で、チーム内の11人の選手全員のアシチオンを模倣している。
論文 参考訳（メタデータ） (2026-03-26T09:06:13Z) - BoxMind: Closed-loop AI strategy optimization for elite boxing validated in the 2024 Olympics [25.895403161230515]
BoxMindは、エリートボクシングコンペティションで検証されたクローズループAIエキスパートシステムである。
BoxMindは、2024年のパリオリンピックの閉ループ展開を通じて検証されている。
論文 参考訳（メタデータ） (2026-01-16T18:14:46Z) - Enhancing Language Agent Strategic Reasoning through Self-Play in Adversarial Games [60.213483076150844]
本稿では,PLAY-And-Learn,SCO-PALを用いたステップレベルのポリCy最適化手法を提案する。
対戦相手を異なるレベルに設定することで、対戦相手の選択を詳細に分析し、戦略的推論を改善する最も効果的な方法が自己プレーであることを見出した。
我々は6試合でGPT-4に対して54.76%の勝利率を達成した。
論文 参考訳（メタデータ） (2025-10-19T09:03:28Z) - Modeling and Prediction of the UEFA EURO 2024 via Combined Statistical Learning Approaches [0.0]
基本的に異なる3つの機械学習モデルを組み合わせて、UEFA EURO 2024を予測するための新しいジョイントモデルを作成する。
この目的のために、このトーナメントは、全ての試合で予想されるゴール数に基づいて、100,000回シミュレートされる。
フランスは19.2%、イギリスは16.7%、ドイツは13.7%である。
論文 参考訳（メタデータ） (2024-10-01T07:48:16Z) - Provably Efficient Fictitious Play Policy Optimization for Zero-Sum
Markov Games with Structured Transitions [145.54544979467872]
本研究では,ゼロサムマルコフゲームに対して,構造的だが未知の遷移を伴う架空のプレイポリシー最適化アルゴリズムを提案し,解析する。
我々は、2年制の競争ゲームシナリオで、$K$のエピソードに続き、$widetildemathcalO(sqrtK)$ regret boundsを証明した。
提案アルゴリズムは,アッパー信頼境界(UCB)型最適化と,同時政策最適化の範囲内での架空のプレイの組み合わせを特徴とする。
論文 参考訳（メタデータ） (2022-07-25T18:29:16Z) - Optimising Game Tactics for Football [18.135001427294032]
サッカーにおける戦術的・戦略的意思決定を最適化するための新しいアプローチを提案する。
我々は,サッカーをベイズゲームから構成したマルチステージゲームとしてモデル化し,プレマッチ決定をモデル化し,インマッチ状態遷移と決定をモデル化する。
これに基づいて、異なる目的でチーム形成とゲーム内戦術を最適化するアルゴリズムを開発する。
論文 参考訳（メタデータ） (2020-03-23T14:24:45Z)
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。