排球分析的图编码和神经网络方法：从比赛结果到个人比赛预测

KDDAug, 2023

排球分析的图编码和神经网络方法：从比赛结果到个人比赛预测

Graph Encoding and Neural Network Approaches for Volleyball Analytics: From Game Outcome to Individual Play Predictions

Rhys Tracy, Haotian Xia, Alex Rasla, Yuan-Fang Wang, Ambuj Singh

TL;DR这项研究旨在提高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。我们引入了一种专门的图编码技术，将额外的接触 - 接触排球上下文添加到已有的排球数据集中，无需任何额外的数据收集。我们演示了对这个丰富的数据集使用图神经网络（GNNs）进行三种不同排球预测任务：比赛结果预测、局部位置预测和击球类型预测的潜在优势。通过对比基线模型的性能并分析结果，我们更好地理解了排球比赛中的潜在关系。我们的结果表明，使用我们的图编码和 GNNs 进行数据分析明显提高了整体预测结果。我们还展示了通过简单调整（例如删除被封阻的击球）可以显著改进这些基线预测任务的重要性。最后，我们展示了选择更好地提取特定任务的重要信息的模型架构的重要性。总的来说，我们的研究展示了在体育数据分析中使用图编码的潜在优势和不足，希望能够鼓舞未来在体育和其他领域通过使用基于图的编码进行机器学习策略改进的方法。

Abstract

This research aims to improve the accuracy of complex volleyball predictions and provide more meaningful insights to coaches and players. We introduce a specialized graph encoding technique to add additional contact-by-contact volleyball context to an already available volleyball datas

volleyball predictions graph neural networks dataset enrichment prediction tasks graph encodings

发现论文，激发创造

运用可解释模型预测排球比赛结果的案例研究

本文探讨了一种两阶段的可解释的人工智能方法，用于预测巴西排球联赛中比赛的结果。该方法使用支持向量机和深度神经网络来获得预测性能，并使用 ProtoDash 和 SHAP 构建数据实例的后处理解释说明模型的预测。结果表明，模型预测的解释有效。

Jun, 2022

用图神经网络建模交通参与者交互

该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。

Mar, 2019

口咽癌患者预测结果的图数据建模

本文首次提出了病患超图网络（PHGN），并在感染舌咽癌（OPC）患者的计算机断层扫描（CT）辐射组学特征上进行了针对二分类和时间分析的研究，与图神经网络和基准线性模型进行了比较。

Oct, 2023

从捕获的流量追踪构建基于图的深度学习网络模型

通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息，并使用改进的消息传递算法更好地表示物理网络中的依赖关系，我们提出了一种基于图神经网络的解决方案，旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。

Oct, 2023

图神经网络中的神经结构搜索

本文比较了基于强化学习和进化算法的两种神经架构搜索方法来优化图神经网络，结果在包括 7 个数据集的两个搜索空间内显示出两种方法的准确性与随机搜索相似，引出了有多少搜索空间维度实际上与问题相关的问题。

Jul, 2020

图神经网络的集成学习

本研究探讨了集成学习技术在改善图神经网络（GNNs）性能和鲁棒性方面的应用。我们通过使用多种不同的初始化或结构来训练多个 GNN 模型，创建了一个名为 ELGNN 的集成模型，该模型捕捉了数据的各个方面，并使用树状结构 Parzen 估计算法确定集成权重。结合这些模型的预测结果可以提高整体准确性，减少偏差和方差，并减轻噪声数据的影响。我们的研究结果证明了集成学习在提升 GNN 对分析复杂图结构数据的能力方面的有效性。

Oct, 2023

基于 GNN 的编码网络流量异常检测

本研究早期报告探索了在富含信息的网络流数据中使用图神经网络（GNNs）进行异常检测的可能性，以改进 GNN 在异常检测中的性能。

May, 2024

语言和图神经网络模型的高效有效训练

本文提出了一种有效的框架，称为语言模型图神经网络 (LM-GNN)，通过分阶段的 BERT 模型微调来结合异构图结构与文本，以便在多项监督学习任务中实现节点和边分类以及链接预测，并在不同的数据集上评估了这个框架且在一个亚马逊搜索 - 购买 - 产品的应用中提供了有竞争力的结果。

Jun, 2022

使用树形约束的指针生成器图神经网络进行上下文 ASR

本文提出了一种基于图神经网络编码的端到端上下文自动语音识别新方法，通过树限制指针生成方法，将上下文知识中的偏向词整合到识别过程中，显著降低了词误率。

May, 2023

深度图神经网络的系统综述：挑战、分类、架构、应用与生物信息学的潜在用途

深度学习在图神经网络中的非欧几里得空间的生物信息学研究中具有潜在的优势，能够解决与生物相关的复杂图形问题。

Nov, 2023