排球分析的图形编码和神经网络方法：从比赛结果到个人战术预测
摘要：运用特定的图形编码技术，改进复杂排球预测的准确性并为教练和运动员提供更有意义的见解。我们在已有排球数据集的基础上，引入专门的图形编码技术，为每个接触点增加排球上下文，而无需收集额外的数据。我们在这个丰富的数据集上展示了使用图神经网络（GNN）进行三个不同排球预测任务（比赛结果、局地点和击球类型）的潜在优势。我们将图形模型的性能与基准模型进行比较，并分析结果以更好地理解排球比赛中的关系。我们的结果表明，使用我们的图形编码和GNN能更加高级地分析数据，明显提高了整体的预测结果。我们还展示了通过简单的调整（如删除被拦截的击球）可以显著提高这些基准任务的效果。最后，我们证明了选择更好的模型架构对于提取特定任务的重要信息是至关重要的。总体而言，我们的研究展示了在体育数据分析中使用图形编码的潜在优势和劣势，并希望通过使用基于图形的编码在体育和应用领域中激发未来的机器学习策略的改进。
作者：Rhys Tracy, Haotian Xia, Alex Rasla, Yuan-Fang Wang, Ambuj Singh
论文ID：2308.11142
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-23