基于空间-时序图Transformer的篮球战术模型TacticExpert
机器学习
2025-03-17 v1 人工智能
摘要
篮球战术建模的核心挑战在于高效提取历史数据中的复杂时空依赖关系，并准确预测各种赛事事件。现有的先进(SOTA)模型，主要基于图神经网络(GNN)，在捕获玩家节点之间长期、长距离和细粒度的相互作用，以及识别相互作用模式方面存在困难，同时对未训练的下游任务和零样本情境的泛化能力有限。本文提出一种用于细粒度游戏建模的空间-时序传播对称性感知图Transformer。该架构显式捕获时空中延迟效应，以增强跨离散时间切片的玩家节点表示，采用对称不变性先验指导注意力机制。我们还引入一种高效的对比学习策略来训练Mixture of Tactics Experts模块，以实现对进攻战术的差异化建模。通过稠密训练与稀疏推理的集成，我们实现了模型效率提升2.4倍。此外，集成轻量级图 grounding for大型语言模型，使模型在开放式下游任务和零样本情境中（包括陌生球队或球员）均能实现稳健的性能。该模型TacticExpert构建了一个垂直集成的大模型框架，统一多个数据集和下游预测任务的预训练。细粒度建模模块显著提升了时空表示，结果可视化分析确认了模型的强解释性。
关键词
引用
@article{arxiv.2503.10722,
title = {TacticExpert: Spatial-Temporal Graph Language Model for Basketball Tactics},
author = {Xu Lingrui and Liu Mandi and Zhang Lei},
journal= {arXiv preprint arXiv:2503.10722},
year = {2025}
}