$30 off During Our Annual Pro Sale. View Details »

第79回 産総研人工知能セミナー 発表資料

Taiga Someya
November 01, 2024

第79回 産総研人工知能セミナー 発表資料

第79回 産総研人工知能セミナーで用いた資料です。
一部動画を用いた部分があり、PDF上では閲覧できなくなっています。

Taiga Someya

November 01, 2024
Tweet

Other Decks in Research

Transcript

  1. 2 自己紹介 染谷 大河(そめや たいが) 東京大学大学院 総合文化研究科 言語情報科学専攻 D1 UTokyo

    Football Lab. 共同代表 略歴 2017年 東葛飾高校 2018年 東京大学 教養学部 2022年 東京大学大学院 総合文化研究科 修士課程 2024年 東京大学大学院 総合文化研究科 博士課程 研究:自然言語処理 (NLP) / スポーツアナリティクス 言語モデルの評価・原理解明(「LLMは文法がわかっているか?」) 逆強化学習に基づく選手・チーム定量評価(「数字で選手・チームを評価」) 軌道データを入力とする基盤モデルの開発(「SoccerGPTを作る」) その他: 未踏IT2023(GK向け練習データ分析システム) 柏レイソルU-18出身, U-15/U-16 サッカー日本代表候補 Visit my website
  2. 世 界 中 で 進 む デ ー タ ・

    テ ク ノ ロ ジ ー 活 用 https://www.skysports.com/football/news/12098/12643330/world-cup-2022-qatar-tournament-to-feature-semi-automated-offside-technology-with-ball-sensors-and-cameras
  3. Leveraging Player Embedding for Soccer Event Prediction 1The University of

    Tokyo 2National Institute of Advanced Industrial Science and Technology 3Konan University Taiga Someya1,2 Tatsuya Ishigaki2 Yohei Oseki1 Ryo Nagata2,3 Hiroya Takamura2
  4. 概要(Someya et al., IJCAIw2024) 12 • 先行研究では考慮されてこなかった、選手情報を考慮した イベントデータのモデリングを行う • 実際に選手情報はモデルの精度向上に寄与した

    • モデリングの過程で得られる選手ベクトルには、 (入力されていない)選手のポジションや利き足の情報な どが含まれていることが示された
  5. 「サッカーの基盤モデル」の構築可能性を検討 ・特にTransformer-basedなモデルの有用性を検討 実験① シミュレーションデータの活用の提案 (JSAI 2024, Opta 2024) ・多変量時系列予測タスクに提案されているアーキテクチャをサッカーの軌道データの 予測タスクに応用

    ・モデルから得られるベクトルが軌道検索に応用可能であることを示した 実験② Encoder-Decoder/Decoder-only型のモデルの提案・検証 ・既存研究では必ずしも検討されてこなかった、Encoder-DecoderやDecoder-only型の モデルを実装し精度検証を行った。 ・Enc.-Dec.やDec.-onlyモデルが高い性能を示した。 本研究
  6. Expected Goals (xG) 主に以下のような指標から定義される: ・ゴールまでの距離・角度 ・GKのポジション ・ゴールが空いているか ・相手DFからのプレッシャーのかかり方 ・シーンの種類(例: 1vs1、ボレー)

    基本的に特定アクションに関する静的・単純な指標が用いられる 定量評価の現状と課題 →ボール非保持の選手の動きや前後の文脈が考慮できていない https://theanalyst.com/eu/2023/08/what-is-expected-goals-xg/ 39
  7. 強化学習を用いた定量評価指標の構築 (Nakahara et al. IEEEAccess2023) トラッキング・ イベントデータ 環境 (試合状況) エージェント群

    (選手) 状態 報酬関数(固定) 行動 試合データをもとに、上手に 行動するエージェントを構築 各場面における アクションの価値を算出 実際の選手の動き 照らし合わせて評価 40
  8. • ボールの位置・速度・加速度 • 各選手の位置・速度・加速度 総次元数:3*2*23 (138) → 45 ~ 105

    トラッキングデータに基づく状態変数 Relative State Absolute State 変換 使用する状態変数 状態の次元圧縮
  9. Relative State 75m 0m • Buildup zone ▪ ボール保持時のパスの選択肢探索(重要な受け手を探す) ▪

    ボール保持時の状態変数 ▪ パスの選択先選手の状態変数 ▪ ボール非保持時の状態変数 • Shot zone ▪ Shooterの状態変数 • GK zone ▪ GKの状態変数
  10. 逆強化学習の導入 • 経済学では「構造推定」と呼ばれ発展している • マルコフゲームの推定方法 ◦ Aguirregabiria & Mira (2007),

    Bajari et al. (2007) • Temporal difference (TD)学習ベースの手法を用いる ◦ Adusumilli & Eckardt (2023) • 直観: ◦ パラメータ固定でTD学習で行動価値関数を推定 ◦ そのパラメータの行動選択確率→そのパラメータの尤度を推定 ◦ その尤度を最大化するパラメータを探索 • 現在シミュレーションデータで実装&性能評価中 逆強化学習の導入 • 経済学では「構造推定」と呼ばれ発展している • マルコフゲームの推定方法 ◦ Aguirregabiria & Mira (2007), Bajari et al. (2007) • Temporal difference (TD)学習ベースの手法を用いる ◦ Adusumilli & Eckardt (2023) • 直観: ◦ パラメータ固定でTD学習で行動価値関数を推定 ◦ そのパラメータの行動選択確率→そのパラメータの尤度を推定 ◦ その尤度を最大化するパラメータを探索 • 現在シミュレーションデータで実装&性能評価中
  11. References 93 Guillem Capellera, Luis Ferraz, Antonio Rubio, Antonio Agudo,

    & Francesc Moreno-Noguer. (2024). TranSPORTmer: A Holistic Approach to Trajectory Understanding in Multi-Agent Sports. Ian Simpson, Ryan J. Beal, Duncan Locke, and Timothy J. Norman. Seq2Event: Learning the Language of Soccer Using Transformer-based Match Event Prediction. In Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, pages 3898–3908, Washington DC USA, August 2022. ACM. Kenjiro Ide, Taiga Someya, Kohei Kawaguchi, Keisuke Fujii, Interpretable Low-Dimensional Modeling of Spatiotemporal Agent States for Decision Making in Football Tactics, 12th International Conference on Sport Sciences Research and Technology Support (icSPORTS 2024) Luca Pappalardo, Paolo Cintia, Alessio Rossi, Emanuele Massucco, Paolo Ferragina, Dino Pedreschi, and Fosca Giannotti. A public data set of spatio-temporal match events in soccer competitions. Scientific Data, 6(1):236, October 2019. Number: 1 Publisher: Nature Publishing Group. Taiga Someya, Tatsuya Ishigaki, Yohei Oseki, Ryo Nagata, Hiroya Takamura. 2024. Leveraging Player Embeddings for Soccer Event Prediction. The 2nd International Workshop on Intelligent Technologies for Precision Sports Science (IT4PSS) in Conjunction with the 33rd International Joint Conference on Artificial Intelligence (IJCAI 2024). Taiga Someya, Atom Scott, Keisuke Fujii, Hidehisa Akiyama, Tomoharu Nakashima, Hitomi Yanaka. 2024. FootballGPT: Counterfactual Evaluation With a Foundation Model for Football, Opta Forum. (Poster) Tom Decroos, Lotte Bransen, Jan Van Haaren, and Jesse Davis. Actions speak louder than goals: Valuing player actions in soccer. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, KDD ’19, page 1851–1861, New York, NY, USA, 2019. Association for Computing Machinery.