面向多重空间传球网络的多分辨率张量分解
应用统计
2018-03-06 v1 机器学习
社会与信息网络
机器学习
摘要
本文受跨多场比赛收集的足球位置传球网络所推动。我们将这些数据称为重复空间传球网络——为准确建模此类数据，有必要考虑每次传球事件中传球者与接球者的空间位置。这种空间配准及跨比赛出现的重复是与通常社会网络数据的关键区别。作为研究传球动态如何影响球队表现之前的关健步骤，我们聚焦于开发总结不同球队传球策略的方法。我们提出的方法依赖于一种新颖的多分辨率数据表示框架与泊松非负块项分解模型，其自动产生由粗到细的低秩网络模体。所提方法应用于2014年FIFA世界杯收集的详细传球记录数据。
引用
@article{arxiv.1803.01203,
title = {Multiresolution Tensor Decomposition for Multiple Spatial Passing Networks},
author = {Shaobo Han and David B. Dunson},
journal= {arXiv preprint arXiv:1803.01203},
year = {2018}
}
备注
34 pages, 15 figures