[論文レビュー] Efficient Feature Representations for Cricket Data Analysis using Deep Learning based Multi-Modal Fusion Model

Souridas Alaka, R Sreekumar+1 more|arXiv (Cornell University)|Aug 16, 2021

Sports Analytics and Performance参考文献 9被引用数 4

ひとこと要約

本論文は、IPLデータを用いて、クリケット選手およびチームのための適応的で対照的損失最適化埋め込みを学習する深層学習ベースのマルチモーダル統合フレームワークを提案する。選手埋め込みの共同学習と、BERTを用いた事前マッチピッチレポートの統合により、総合的な走率クラスの予測で95％の精度を達成した。これは交差エントロピー基準モデル（22.5％の精度）を著しく上回り、スポーツ分析における対照的表現学習の有効性を示している。

ABSTRACT

Data analysis has become a necessity in the modern era of cricket. Everything from effective team management to match win predictions use some form of analytics. Meaningful data representations are necessary for efficient analysis of data. In this study we investigate the use of adaptive (learnable) embeddings to represent inter-related features (such as players, teams, etc). The data used for this study is collected from a classical T20 tournament IPL (Indian Premier League). To naturally facilitate the learning of meaningful representations of features for accurate data analysis, we formulate a deep representation learning framework which jointly learns a custom set of embeddings (which represents our features of interest) through the minimization of a contrastive loss. We base our objective on a set of classes obtained as a result of hierarchical clustering on the overall run rate of an innings. It's been assessed that the framework ensures greater generality in the obtained embeddings, on top of which a task based analysis of overall run rate prediction was done to show the reliability of the framework.

研究の動機と目的

• クリケット分析における選手およびチームの有効で相互関連する特徴表現の欠如に対処する。
• 対照的損失を用いたシアンセイネットワークを用いることで、スポーツ表現学習におけるデータ不足を克服する。
• 選手埋め込みの共同学習と事前マッチピッチレポートの統合により、走率予測精度を向上させる。
• 意味的で一般化可能な埋め込みが、スポーツデータ分析における下流の予測タスクを向上させることを示す。
• マルチモーダル入力（選手特徴 + ピッチレポート）がT20クリケットにおける予測性能に与える影響を評価する。

提案手法

• 対照的学習のための離散的クラスを定義するために、走率全体に対して階層的クラスタリングを適用する。
• 意味的で低次元の埋め込みを学習するため、対照的損失を用いたシアンセイネットワークを訓練する。
• 別途のブランチを用いて、微調整済みのBERTモデルにより事前マッチピッチレポートを密度型埋め込みに符号化する。
• 選手埋め込みとピッチ埋め込みを連結し、走率クラス予測の最終予測ヘッドの入力とする。
• 固定された埋め込み重みを用いて微調整中に交差エントロピーまたは対照的損失を用いて予測モデルを訓練する。
• 固定されたテストセットを各走率クラスごとに用いた5分割交差検証を実施し、評価の堅牢性を確保する。

実験結果

リサーチクエスチョン

• RQ1 標準的な交差エントロピー学習と比較して、対照的損失に基づく表現学習は、クリケット選手およびチームに対してより一般化可能で情報豊富な埋め込みを生成できるか？
• RQ2 事前マッチピッチレポートを統合すると、T20クリケットにおける走率予測の精度にどのような影響を与えるか？
• RQ3 学習された埋め込みは、データが乏しいスポーツ分析における下流の予測タスクの性能をどの程度向上させるか？
• RQ4 走率クラスの予測において、選手埋め込みとピッチレポート埋め込みの相対的寄与度はどの程度か？
• RQ5 選手特徴とテキスト形式のピッチレポートを統合したマルチモーダル統合は、より強固で正確な走率予測を可能にするか？

主な発見

• ピッチレポートデータを含めた対照的表現学習フレームワークは、走率クラスの予測で95％の精度を達成した。一方、交差エントロピー基準モデルでは22.5％にとどまった。
• 対照的埋め込みとピッチレポート入力を組み合わせたモデルは、交差エントロピー基準モデルと比較して72.5ポイントの精度向上を示した。
• 対照的埋め込みを用いた場合、ピッチレポート埋め込みを追加することで予測精度が5％（90％から95％）向上した。これはマルチモーダル入力の価値を示している。
• 交差エントロピー基準モデルは、効果のない選手埋め込み学習のため、22.5％の精度にとどまり、データが乏しい環境における標準的分類目的の限界を浮き彫りにした。
• 混同行列の分析から、中間の走率クラスが誤分類されやすいことが判明した。これは、入力特徴が十分に代表的でない可能性を示唆している。
• フレームワークは、ピッチデータが存在しない場合でも90％の精度を示し、対照的埋め込みの質の高さを裏付けた。