論文の概要: HoopMind: A Real-Time Neural Game-Tree System for Opponent-Aware Possession Planning

• arxiv url: http://arxiv.org/abs/2608.29563v1
• Date: Sun, 30 Aug 2026 05:13:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.997472
• Title: HoopMind: A Real-Time Neural Game-Tree System for Opponent-Aware Possession Planning
• Title（参考訳）: HoopMind: 実時間ニューラルゲームトレーシステム
• Abstract要約: 学校のコーチは、ゲームフィルムと直感で相手の準備をします。 プロフェッショナルチームの分析ツールは手の届かないままです。 公共データがこのギャップをどこまで埋めるかを尋ねる。 私たちは5つの公開ソースを、21シーズンにわたって4.23Mショットの1ショット当たりのデータセットに融合します。
• 参考スコア（独自算出の注目度）: 1.155737918753265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: School coaches prepare for opponents with game film and intuition. The analytics tools of professional teams stay out of reach. We ask how far public data can close this gap. Professional basketball is our case study, chosen for its data rather than the league. We fuse five public sources into one per-shot dataset of 4.23M shots over 21 seasons. The sources are shot locations, two play-by-play feeds, official matchup tracking, and player biometrics. Alignment across them is 99.5% to 100%. We also report two data pitfalls that are easy to miss. We then model a half-court possession as a sequential game. Shot values come from ShotNet, an embedding multilayer perceptron (MLP). On a held-out season it beats a zone-rate baseline and a logistic baseline, and its probabilities are well calibrated. A depth-limited expectimax search then solves the offensive decision tree, with branch-and-bound pruning to keep it real time. All training runs offline, so the online system stays light. A scouting planner and a playable simulator both run in a single browser page.
• Abstract（参考訳）: 学校のコーチは、ゲームフィルムと直感で相手の準備をします。 プロフェッショナルチームの分析ツールは手の届かないままです。 公共データがこのギャップをどこまで埋めるかを尋ねる。 プロバスケットボールは、リーグではなくデータのために選ばれた私たちのケーススタディです。 私たちは5つの公開ソースを、21シーズンにわたって4.23Mショットの1ショット当たりのデータセットに融合します。 ソースは、ショットロケーション、2つのプレイバイプレイフィード、公式のマッチアップトラッキング、そしてプレーヤーのバイオメトリックスだ。 全体のアライメントは99.5%から100%である。 また、見逃しやすい2つのデータ落とし穴を報告します。 次に、半裁判所所有をシーケンシャルゲームとしてモデル化します。 Shot値は、埋め込み多層パーセプトロン(MLP)であるShotNetから来ている。 ホールドアウトシーズンではゾーンレートベースラインとロジスティックベースラインを破り、その確率は十分に調整されている。 深さ制限されたpredimaxサーチは攻撃的な決定木を解き、分岐とバウンドのプルーニングによってリアルタイムで保持する。 すべてのトレーニングはオフラインで実行されるので、オンラインシステムは軽いままだ。 スカウトプランナーとプレイ可能なシミュレータはどちらも1つのブラウザページで実行される。

関連論文リスト

• BasketEvent: Understanding Who Did What and When in Basketball Videos [51.926771112716686]
  NBAの実際の放送から算出した,選手中心のバスケットボールイベント理解データセットであるBasketEventを紹介した。 バスケットボールの動画をプレイヤーレベルのイベント予測にマッピングする,プレーヤー中心の推論フレームワークであるPlayNetを提案する。 私たちのデータ、コード、モデルは公開されます。
  論文  参考訳（メタデータ） (2026-07-23T12:39:56Z)
• lmgame-Bench: How Good are LLMs at Playing Games? [60.01834131847881]
  本稿では,現代の大規模言語モデル (LLM) エージェントを評価するために,人気ゲームを使用する上での大きな課題について検討する。 我々はlmgame-Benchを導入し、ゲームを信頼性評価に変換する。
  論文  参考訳（メタデータ） (2025-05-21T06:02:55Z)
• Human-Level Competitive Pokémon via Scalable Offline Reinforcement Learning with Transformers [24.201490513370523]
  コンペティティブ・ポクモン・シングルズ (Competitive Pok'emon Singles, CPS) は、プレイヤーが不完全な情報に基づいて相手を悪用することを学ぶ人気戦略ゲームである。 観察者の3人称視点から保存したログからエージェントの1人称視点を再構築するパイプラインを開発する。 このデータセットは、入力軌跡のみに基づいて相手に適応するように、大規模なシーケンスモデルをトレーニングするブラックボックスアプローチを可能にする。
  論文  参考訳（メタデータ） (2025-04-06T07:35:15Z)
• SoccerNet Game State Reconstruction: End-to-End Athlete Tracking and Identification on a Minimap [102.5232204867158]
  我々は、ゲーム状態再構成のタスクを形式化し、フットボールビデオに焦点を当てた新しいゲーム状態再構成データセットである、サッカーネット-GSRを紹介する。 SoccerNet-GSRは、ピッチローカライゼーションとカメラキャリブレーションのための937万行のアノテートにより、30秒間の200の動画シーケンスで構成されている。 我々の実験は、GSRは挑戦的な新しい課題であり、将来の研究の場を開くことを示している。
  論文  参考訳（メタデータ） (2024-04-17T12:53:45Z)
• Impact of a Batter in ODI Cricket Implementing Regression Models from Match Commentary [0.0]
  本研究は,プレイヤーがどのような状況でどれだけコントロールしているかを判断することで,このインパクトのあるパフォーマンスの背景にある欠点を理解することを目的とする。 私たちはOne Day Internationalの3人の著名なクリケット選手(Rohit G Sharma、David A Warner、Kene S Williamson)のキャリアに関するデータを収集しました。 我々は、各プレイヤーのデータに対して、複数の線形回帰(MLR)、ポリノミアル回帰、サポートベクトル回帰(SVR)、決定木回帰、ランダムフォレスト回帰を個別に使用し、プレイヤーがゲームに与える影響を予測する。
  論文  参考訳（メタデータ） (2023-02-22T06:42:20Z)
• MambaNet: A Hybrid Neural Network for Predicting the NBA Playoffs [5.366368559381279]
  MambaNetは、チームとプレイヤーのゲーム統計の時系列を処理するハイブリッドニューラルネットワークアーキテクチャである。 提案手法は, AUC を 0.72 から 0.82 まで予測し, 最良性能のベースラインモデルをかなりの差で上回った。
  論文  参考訳（メタデータ） (2022-10-31T04:37:33Z)
• ML-Based Approach for NFL Defensive Pass Interference Prediction Using GPS Tracking Data [1.0055143995729414]
  ディフェンシブ・パス・インターフェレーション(DPI)はNFLで最も影響力のあるペナルティの1つである。 GPS追跡データを用いてDPIを予測することは、成功にしかならない。 この研究は、ビデオシーケンス分類のための多段階パイプラインのフィルタとして機能するかもしれない。
  論文  参考訳（メタデータ） (2022-06-24T09:56:58Z)
• SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos [62.686484228479095]
  本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。 データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。 分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
  論文  参考訳（メタデータ） (2022-04-14T12:22:12Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• Learning to Play Imperfect-Information Games by Imitating an Oracle Planner [77.67437357688316]
  我々は、同時移動と大規模なステートアクションスペースでマルチプレイヤーの不完全な情報ゲームをプレイする学習を検討します。 我々のアプローチはモデルに基づく計画に基づいている。 我々は,Clash Royale と Pommerman のゲームにおいて,プランナーが効率的なプレイ戦略を発見することができることを示す。
  論文  参考訳（メタデータ） (2020-12-22T17:29:57Z)
• Collection and Validation of Psychophysiological Data from Professional and Amateur Players: a Multimodal eSports Dataset [7.135992354416602]
  リーグ・オブ・レジェンズ(League of Legends)ビデオゲームのプロチームとアマチュアチームから収集したデータセットを40時間以上の録音で提示する。 記録にはプレイヤーの生理活動、動き、脈拍、ササード、様々なセンサーから得られる。 このデータセットの重要な特徴は、5人のプレーヤーによる同時データ収集であり、チームレベルでのセンサーデータの分析を容易にする。
  論文  参考訳（メタデータ） (2020-11-02T13:25:11Z)

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。