Jul, 2023

足球 1 对 1 射门决策的战略框架：机器学习、基于理论建模和博弈论的综合方法

PDF
TL;DR使用机器学习和博弈论方法，提出了一种分析射门情况的新框架，并引入了期望收益和 xSOT 指标来评估选手的行动表现，从而实现了不同射门的区分和比较。通过与基准模型和消融模型的比较，验证了该框架的可行性，并观察到 xSOT 指标与现有指标之间的高度相关性。最后，通过在 2022 年世界杯和 2020 年欧洲杯中的射门情况进行研究，阐明了最优策略的应用。
machine learninggame theoryshot-takingexpected payoffxsot metric
发现论文，激发创造
  • 战略分类

    机器学习中的好斗现象及其解决方案的研究，通过将分类问题建模为一种游戏的方式，提出了一种近乎最优的、能够抵抗 “好斗” 现象的分类器设计算法，尤其对于一类自然代价函数而言，该算法在计算上也是高效的。

    Jun, 2015

  • 战略分类的学习损失

    本文研究了利用学习理论来生成具有鲁棒性的决策规则，以及针对机器学习领域中存在的潜在的策略操纵问题，提出了一种新的损失函数，称为策略操纵损失，分析了在已知操纵网络结构和未知操纵网络结构下的学习样本复杂度，并且基于迁移学习技术，定义了一种相似度度量，用于度量操纵网络结构的相似度，得到了具有鲁棒性的学习结果。

    Mar, 2022

  • 在信息不足的情况下预测操作计划问题的战术解决方案

    研究人员提出了一种快速预测给定操作问题的战术解决方案的方法，并将其作为二阶最优预测随机程序来规范化问题，利用监督机器学习算法进行预测。与随机程序的样本平均逼近相比，深度学习算法在非常短的计算时间（毫秒或更短）内产生高度准确的预测。

    Jan, 2019

  • 在无法预见结果下的模仿战略行为中学习

    利用机器学习系统进行个体决策的智能行为研究，提出了基于 Stackelberg 博弈的模型，探讨了决策者对个体行为的预期能力对其目标函数和个体最佳反应的影响，并通过调整偏好，同时抑制操纵、鼓励改进和促进公平。

    May, 2024

  • 不确定情况下决策上下文优化方法综述

    本文介绍了结合预测算法和优化技术来解决不确定性决策问题的上下文优化领域。文中关注单一和两阶段随机规划问题，识别了三种从数据中学习策略的主要框架，并讨论了它们的优点和局限性。

    Jun, 2023

  • 未知成本下的一次性战略分类

    在策略分类中，我们研究了在一次性场景下未知响应的策略分类问题，通过最小化最坏情况下的风险来确定最优的分类器，并提出了高效的算法以及对于成本函数的双范数正则化的重要性。

    Nov, 2023

  • 通过战略机器学习选择进行防御

    本文阐述一种应对数据篡改的策略性学习方法，通过利用游戏论中的纳什均衡和先占主导策略，使数据分析人员可以同时利用多个学习者来有效避免数据篡改的影响。

    Jan, 2019

  • 基于博弈论的类别选择性合理化方法

    提出了一种新的基于博弈论的分类依赖性理性化方法，其中的方法通过三个玩家的竞争寻找支持事实和反事实情景的证据来针对具体学科进行特别训练，并在单和多方面情感分类任务中进行评估。

    Oct, 2019

  • 假设干预下的临床结果预测 —— 用表示学习框架进行反事实推理

    本研究提出了一种新的表示学习框架 - 部分概念瓶颈，该框架将反事实解释作为风险模型的嵌入式属性，有助于研究人员和临床医生改进个性化护理，探索干预的假设性差异效应。

    May, 2022

  • 联邦学习的博弈理论框架

    提出一种基于博弈论的安全模型，考虑了联邦学习中的隐私泄漏问题和防御者与攻击者的策略问题，通过引入一个神谕作为协调者，优化参与者的收益和隐私泄漏风险。

    Apr, 2023