PulseAugur
中
实时 13:29:29

图神经网络捕捉非传递性优势以进行网球预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的图神经网络（GNN）方法来预测网球比赛，通过显式建模非传递性球员优势。该方法将球员表示为节点，比赛结果表示为有向边，捕捉了A击败B、B击败C、C击败A的关系。虽然GNN模型的准确率为65.7%，Brier得分为0.214，但在无条件准确率方面并未优于加权Elo等成熟系统。然而，结合GNN补充信息的联合预测显著超越了加权Elo，尤其是在非传递性比赛中。 AI

影响 这项研究引入了一种新颖的基于图的体育预测方法，通过整合复杂的球员动态来提高预测准确性。

排序理由 该集群包含一篇详细介绍新预测方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

图神经网络捕捉非传递性优势以进行网球预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Lawrence Clegg, John Cartlidge ·

    Capturing Intransitive Dominance in Tennis Forecasting: A Graph Neural Network Approach

    arXiv:2510.20454v2 Announce Type: replace Abstract: Intransitive player dominance, where player A beats B, B beats C, but C beats A, is common in competitive tennis. Yet, there are few known attempts to incorporate it within forecasting methods. We address this problem with a gra…

相关实体

相关话题