どんなもの?
本論文では、マルチエージェントの軌跡データ間の効果的な類似度測定を可能にする、新しいツリーベースのアライメント手法を提示した。また、この手法に基づき、正確で効率的なスポーツプレイ検索に特化した検索システムを提示した。圧縮性実験により、本手法が最新のアライメント手法を上回る性能を示し、本格的な検索システムは、本手法がベースライン手法よりも高い精度を達成したユーザ調査において、その有効性を実証することができた。関連性推定の観点からは、我々のアライメントが類似度指標を向上させたとしても、距離指標の選択を改善することができる。例えば、情報検索における「逆文書頻度」[30]の概念は、文書中でより頻繁に出現するトークンは、より稀な単語ほど関連性を示すものではないことを示している。したがって、同様の考え方は軌跡距離測定に取り入れることができる。より一般的には、機械学習技術を適用して、適切な学習データでより良い距離メトリックを学習することができる。検索以外にも、我々のツリーベースのアライメントは他の重要なデータマイニングタスクに適用できる可能性がある。遊び本は我々の木によって本質的に学習されるため、ゲームの要約やチーム/プレイヤーの特性評価において、それらのゲーム状態が要求される場合に利用することができる。スポーツ以外にも、マルチエージェントの時空間データを含む幅広い領域に適用できる可能性がある。一例として、監視領域における群衆行動解析が考えられる.
先行研究と比べてどこがすごい?
技術や手法のキモはどこ?
どうやって有効だと検証した?
各設定についてユーザ調査を行い、図 10 に第 3 の設定に対する 8 つのクエリを示 す。ベースライン法と我々の手法で返された上位10件の結果 をTeam-Draft Interleaving法[5]によって1つのランキングに まとめ、インターリーブ評価によって検索品質を評価した(図 11参照)。そして、このランキングとそのクエリをオンライン 調査形式で表示し、ユーザーが結果をトップダウンで表示し 、関連するプレイを選択できるようにした。
議論はある?
次に読むべき論文は?
[33]
[34]
[37]
Memo
- マルチエージェント時空間トラッキングデータを効率的に検索するための新しい方法の提案
- 著者のPatrick LuceyはSTATS PERFORMのデータサイエンティストで界隈では有名人.
- マルチエージェントの軌道を扱う時に発生する,パーミュテーションのアライメントの問題を効率的に解いている.
- マルチエージェント時空間トラック間の関連性を推定するツリーベースの手法を提案
- また,テキストベースや,画像ベースの手法と比較した時のトラッキングベースの検索手法の優位性についても触れている
- 画像ベースは密であるが並び替えの問題とか解くのにここまで高密度である必要がない.それはそう.
- ロールベースの方法はチームの荒い構造を拾っているだけで,手法として妥当ではあるが最適ではない.