論文の概要: SambaGraph: Action-Reaction Spatio-Temporal Graphs for Soccer Tactical Response Modeling

• arxiv url: http://arxiv.org/abs/2609.25569v1
• Date: Tue, 22 Sep 2026 02:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.174301
• Title: SambaGraph: Action-Reaction Spatio-Temporal Graphs for Soccer Tactical Response Modeling
• Title（参考訳）: SambaGraph: サッカー戦術応答モデリングのためのアクション反応時空間グラフ
• Abstract要約: サッカーの戦術的応答モデリングのための,アクションセーフなグラフデータセットとベンチマークであるSambaGraphを紹介した。 2022 FIFAワールドカップの64試合の追跡とイベントデータから、時間的に整列した23ノードのプレーヤ-ボールグラフシーケンスとして表される4,070のアクションエピソードをキュレートする。 本研究は,3つの質問について,観測された応答がグラフエピソードから分類可能であるか,成功した防御がクエリアタックに対して検索可能であるか,グラフ由来の要約が推論を支援するか,について検討する。
• 参考スコア（独自算出の注目度）: 4.454210876879237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soccer tactics are interactive: an attacking action changes the opponent's defensive problem, and the observed response depends on the multi-agent match state. We introduce SambaGraph, an action--reaction spatio-temporal graph dataset and benchmark for soccer tactical response modeling. From tracking and event data for all 64 matches of the 2022 FIFA World Cup, we curate 4,070 action-centered episodes represented as temporally aligned 23-node player--ball graph sequences with attack/defense views, response labels, and 26,270 split-safe attack--defense pairs. We study three questions: whether observed responses can be classified from graph episodes, whether successful defenses can be retrieved for a query attack, and whether graph-derived summaries support grounded LLM reasoning. A compact signature MLP obtains $0.796\pm0.007$ macro-F1 for response classification, while a fused graph--signature dual encoder reaches $0.471\pm0.029$ Hit@5 and $0.655\pm0.051$ Hit@10 for full-bank defensive retrieval. Hard negatives maximize pair discrimination but not retrieval quality. Local LLMs underperform supervised encoders for direct classification and do not improve over a strong original order in eight-candidate reranking, but they provide grounded tactical rationales. These results position SambaGraph as a reproducible benchmark for graph-based soccer strategy-response research. Code and dataset are available at: https://github.com/areyesan/SambaGraph.
• Abstract（参考訳）: サッカーの戦術は対話的であり、攻撃行動は相手の防御的問題を変え、観察された応答はマルチエージェントのマッチ状態に依存する。 アクション・リアクション時空間グラフデータセットであるSambaGraphを導入し,サッカーの戦術応答モデリングのためのベンチマークを行った。 2022 FIFAワールドカップの64試合の追跡とイベントデータから、攻撃/防御ビュー、レスポンスラベル、26,270のスプリットセーフな攻撃-防御ペアを含む、時間的に整列した23ノードのグラフシーケンスとして表される4,070のアクション中心のエピソードをキュレートする。 本研究は3つの質問について,観測された応答がグラフエピソードから分類可能であるか,成功した防御がクエリアタックに対して検索可能であるか,グラフ由来の要約が基底的LLM推論をサポートするか,といった質問である。 コンパクトシグネチャ MLP は応答分類用のマクロ-F1 を 0.796\pm0.007$ とし、融合グラフ符号のデュアルエンコーダは 0.471\pm0.029$ Hit@5 と $0.655\pm0.051$ Hit@10 となる。 強陰性はペア識別を最大にするが、検索品質は高くない。 ローカルLLMは、直接分類のための教師付きエンコーダの性能を損なうが、8つの候補の再分類において、強いオリジナルオーダーよりも改善しないが、基礎となる戦術的根拠を提供する。 これらの結果は、SambaGraphをグラフベースのサッカー戦略応答研究の再現可能なベンチマークとして位置づけている。 コードとデータセットは、https://github.com/areyesan/SambaGraph.comで入手できる。

関連論文リスト

• GraphIP-Bench: How Hard Is It to Steal a Graph Neural Network, and Can We Stop It? [17.503523992356044]
  クラウドサービスとしてデプロイされるグラフニューラルネットワーク(GNN)は、Emphmodel- Extraction攻撃によってEmphstolenにすることができる。 我々は,単一のブラックボックスプロトコルの下で両側を評価する統一ベンチマークであるemphGraphIP-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-12T23:49:45Z)
• SoccerLens: Grounded Soccer Video Understanding Beyond Accuracy [52.09081885158698]
  ビジョン言語モデル(VLM)は近年,サッカービデオ理解において大きな可能性を示している。 既存の評価プロトコルは分類精度に重点を置いており、視覚的グラウンドの評価は行わない。 サッカービデオ理解のためのベンチマークである SoccerLens を紹介する。
  論文  参考訳（メタデータ） (2026-05-10T15:18:08Z)
• A Graph Neural Network deep-dive into successful counterattacks [0.0]
  この研究は、性別固有のグラフニューラルネットワークを構築し、反撃が成功する可能性をモデル化する。 モデル性能に最も影響した特徴は, 置換特徴を用いて, 直線速度, ゴールへの角度, 球側線から横線への角度, などが示される。 この研究には、すべてのデータとコードを含むオープンソースリポジトリが伴い、オープンソースのPythonパッケージも伴っている。
  論文  参考訳（メタデータ） (2024-11-26T14:07:48Z)
• A Fair Ranking and New Model for Panoptic Scene Graph Generation [51.78798765130832]
  Decoupled SceneFormer(DSFormer)は、既存のすべてのシーングラフモデルよりも優れた2段階モデルである。 基本設計原則として、DSFormerは被写体とオブジェクトマスクを直接特徴空間にエンコードする。
  論文  参考訳（メタデータ） (2024-07-12T12:28:08Z)
• Catch Me if You Can: Effective Honeypot Placement in Dynamic AD Attack Graphs [4.795837146925278]
  我々は,大規模なアクティブディレクトリ(AD)攻撃グラフ上で,攻撃者とディフェンダーとの間のスタックルバーグゲームについて検討する。 我々は,ハニーポットを観察できない単純な攻撃者と,可能な有能な攻撃者という2つのタイプの攻撃者を考える。
  論文  参考訳（メタデータ） (2023-12-28T04:31:08Z)
• A Graph-Based Method for Soccer Action Spotting Using Unsupervised Player Classification [75.93186954061943]
  アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。 本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。 プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
  論文  参考訳（メタデータ） (2022-11-22T15:23:53Z)
• RMS-Net: Regression and Masking for Soccer Event Spotting [52.742046866220484]
  イベントラベルとその時間的オフセットを同時に予測できる,軽量でモジュール化されたアクションスポッティングネットワークを開発した。 SoccerNetデータセットでテストし、標準機能を使用して、完全な提案は3平均mAPポイントで現在の状態を超えます。
  論文  参考訳（メタデータ） (2021-02-15T16:04:18Z)
• Composite Adversarial Attacks [57.293211764569996]
  敵対攻撃は、機械学習(ML)モデルを欺くための技術です。 本論文では,攻撃アルゴリズムの最適組み合わせを自動的に探索するための複合攻撃法(Composite Adrial Attack,CAA)を提案する。 CAAは11の防衛でトップ10の攻撃を破り、時間の経過は少ない。
  論文  参考訳（メタデータ） (2020-12-10T03:21:16Z)

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。