論文の概要: A Survey of Large Models in Sports

• arxiv url: http://arxiv.org/abs/2608.14377v1
• Date: Fri, 14 Aug 2026 15:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.417833
• Title: A Survey of Large Models in Sports
• Title（参考訳）: スポーツにおける大規模モデルの実態調査
• Abstract要約: 本稿では,スポーツにおける大規模モデルの包括的調査について述べる。 i)異なる参加者グループにわたるタスクとアプリケーションの概要、(ii)スポーツ関連のデータセットとベンチマークの詳細な分析、(iii)現在の課題と今後の方向性に関する批判的な議論を含む。 我々の目標は、大規模モデル駆動スポーツインテリジェンスの研究と実践的発展のための基盤を確立することである。
• 参考スコア（独自算出の注目度）: 47.6434845431826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sports have witnessed growing global enthusiasm in recent years, serving as a vital force for physical health, cultural exchange, social connection, and economic growth. The rapid advancement of large models, particularly (multimodal) large language models (M)LLMs, has demonstrated transformative potential to reshape sports understanding, analysis, and interaction across diverse domains. This paper presents a comprehensive survey of large models in sports, including (i) an overview of tasks and applications across different participant groups; (ii) a detailed analysis of sports-related datasets and benchmarks; and (iii) a critical discussion of current challenges and future directions. Our goal is to establish a foundation for advancing research and practical development of large-model-driven sports intelligence. An open-source GitHub repository is maintained at: https://github.com/Road2Redemption/Awesome_Large_Models_In_Sports1.
• Abstract（参考訳）: 近年、スポーツは世界的な熱意の高まりを目の当たりにしており、身体健康、文化交流、社会的つながり、経済成長に欠かせない力となっている。 大規模モデルの急速な進歩、特に(マルチモーダル)大規模言語モデル(M)LLMは、様々な領域にわたるスポーツ理解、分析、相互作用を再形成するトランスフォーメーションの可能性を示している。 本稿では,スポーツを含むスポーツにおける大規模モデルの包括的調査について述べる。 一 異なる参加者グループにまたがる業務及び適用の概要 2スポーツ関連データセット及びベンチマークの詳細な分析 (三)現在の課題と今後の方向性についての批判的な議論。 我々の目標は、大規模モデル駆動スポーツインテリジェンスの研究と実践的発展のための基盤を確立することである。 https://github.com/Road2Redemption/Awesome_Large_Models_In_Sports1.1 では、オープンソースのGitHubリポジトリがメンテナンスされている。

関連論文リスト

• Reliable and Responsible Foundation Models: A Comprehensive Survey [287.21660198043145]
  本調査は,基礎モデルの信頼性と責任を問うものである。 バイアスと公平性、セキュリティとプライバシ、不確実性、説明可能性、分散シフトなど、重要な問題について検討する。 各分野について,フィールドの現状を概観し,今後の研究の方向性について概説する。
  論文  参考訳（メタデータ） (2026-02-04T17:25:03Z)
• SoccerMaster: A Vision Foundation Model for Soccer Understanding [50.88251190999469]
  サッカーの理解は、最近、そのドメイン固有の複雑さとユニークな課題のために、研究の関心が高まっている。 本研究の目的は,微粒な知覚から意味論的推論に至るまで,多様なサッカー視覚理解タスクを扱う統一モデルを提案することである。 1つのフレームワーク内で多様な理解タスクを統一する、サッカー特有のビジョン基盤モデルである、サッカーマスターを提示する。
  論文  参考訳（メタデータ） (2025-12-11T18:03:30Z)
• DeepSport: A Multimodal Large Language Model for Comprehensive Sports Video Reasoning via Agentic Reinforcement Learning [25.001089287899998]
  DeepSportは、マルチタスク、マルチスポーツビデオ理解のために設計された、エンドツーエンドでトレーニングされた最初のMLLMフレームワークである。 我々の研究は、多様なスポーツの複雑さに対処するために、ドメイン固有のビデオ推論のための新しい基盤を確立する。
  論文  参考訳（メタデータ） (2025-11-17T02:57:15Z)
• SportR: A Benchmark for Multimodal Large Language Model Reasoning in Sports [21.410115837645318]
  SportRは、スポーツインテリジェンスに必要な基本的な理由に基づいてMLLMを訓練し、評価するために設計された最初のマルチスポーツ大規模ベンチマークである。 私たちのベンチマークでは,5,017枚の画像と2,101本のビデオのデータセットが提供されている。 罰則の決定や戦術の説明など,多段階の推論を必要とする最も先進的なタスクに対して,我々は7,118の高品質な人間による思考の連鎖(Chain of Thought)アノテーションを提供する。
  論文  参考訳（メタデータ） (2025-11-09T18:55:20Z)
• Foundation Models for Music: A Survey [77.77088584651268]
  ファンデーションモデル(FM)は音楽を含む様々な分野に大きな影響を与えている。 本総説では,音楽の事前学習モデルと基礎モデルについて概観する。
  論文  参考訳（メタデータ） (2024-08-26T15:13:14Z)
• HEMM: Holistic Evaluation of Multimodal Foundation Models [91.60364024897653]
  マルチモーダル・ファンデーション・モデルは、画像、ビデオ、オーディオ、その他の知覚モダリティと共にテキストをホリスティックに処理することができる。 モデリング決定、タスク、ドメインの範囲を考えると、マルチモーダル基盤モデルの進歩を特徴づけ、研究することは困難である。
  論文  参考訳（メタデータ） (2024-07-03T18:00:48Z)
• Sports Intelligence: Assessing the Sports Understanding Capabilities of Language Models through Question Answering from Text to Video [5.885902974241053]
  複雑なスポーツシナリオに対する推論は、現在のNLP技術にとって大きな課題となっている。 我々の評価は、基本的なルールや歴史的事実に関する単純なクエリから、複雑な文脈固有の推論まで多岐にわたる。 既存のスポーツデータセットの包括的概要に基づく新しいベンチマークを提案し,広範なエラー解析を行った。
  論文  参考訳（メタデータ） (2024-06-21T05:57:50Z)
• SoccerRAG: Multimodal Soccer Information Retrieval via Natural Queries [42.095162323265676]
  SoccerRAGはRetrieval Augmented Generation(RAG)とLarge Language Models(LLM)のパワーを活用するために設計された革新的なフレームワークである。 マルチモーダルデータセットを利用することで、動的クエリと自動データバリデーションをサポートする。 評価の結果,従来の検索システムに比較して,複雑なクエリを効果的に処理できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-03T12:39:04Z)
• Large-scale Multi-Modal Pre-trained Models: A Comprehensive Survey [66.18478838828231]
  マルチモーダルな事前訓練型大型モデルは近年ますます注目を集めている。 本稿では, 自然言語処理, コンピュータビジョン, 音声処理における従来の深層・深層・深層・深層・深層・深層・深層・深層・深層・深層・深層・深層・深層・深層・深層・深層・深層・深層・深層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・高層・ 次に,マルチモーダル・プレトレーニング・モデル(MM-PTM)のタスク定義,課題,メリットを紹介し,データ,目的,ネットワーク,知識強化による事前トレーニングに着目して,MM-PTMについて議論する。
  論文  参考訳（メタデータ） (2023-02-20T15:34:03Z)

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。