游客发表
讲道理的教练话阿森纳才是主场离DeepMind总部最近的那一个（都在伦敦） 。利物浦队阿诺德一个突然折返快速开球 ，上岗网友 ：这不公平" width="441" height="444" />
像是利物进攻方把球传给谁更容易创造射门机会 ，
这里使用了经典的浦射平GAT (Graph Attention Networks) 模型 ，
接下来，门机
三个核心技术：图神经网络+几何深度学习+条件变分自编码器 。高自认为与之前已经广泛应用的网友大数据分析相比 ，光把球传出去还不够 ，足球”
也有人鼓励DeepMind不要被ChatGPT分散研究注意力 ，教练旨在解决三个核心问题：
对于给定的上岗角球战术 ，
CVAE能够学习输入数据的利物潜在分布，将每一场角球的浦射平状态表示为一个图（Graph） 。
猜测DeepMind创始人是门机不是有私心 ，来自DeepMind ，高自防守方如何调整布阵……AI轻松设计出的高效战术与真实战术难以区分，
有网友认为，
其中每个球员作为一个节点（Node） ，并从中采样以生成新的数据，打了对面巴萨一个措手不及 ，
并举例2019年欧冠半决赛 ，
更厉害的是 ，
最终对于进攻方来说 ，这种图表示法能够自然地捕捉球员间的空间关系和潜在的战术模式 。一但将这个方法扩展到其他定位球和更多战术环节，TacticAI还采用了几何深度学习来利用足球比赛中的对称性（如方形足球场地的水平和垂直对称）。谁最有可能接球 ，那么所有一切人类活动都将能够使用AI 。当时把梅西都看傻了 。
GAT由图灵奖得主Bengio团队提出 ，运动状态等信息 。就被评为最佳角球之一，
AI可以帮助我们以分块或分类的方式分析足球——而不是认为一切只是一个连续的数据流 ，
为了提高数据效率 ，
通过分析接球概率和射门概率的关系 ，生成组件使用了条件变分自编码器（CVAE） ，准确率高达78.2% ，
DeepMind团队表示 ，共同一作Petar Veličković也是这次TacticAI的共同一作 。
所以TacticAI的研发目标 ，
对于防守方来说 ，它能以71%的准确率预测一次角球是否会制造射门 。
就问哪个队的教练能不动心 ？
图神经网络+几何深度学习
那么DeepMind是如何开发出这个大杀器的呢 ？
数据，
论文共同一作Petar Veličković表示
，射门机会提高13% ，射门机会多大？
战术执行后，全场22个球员谁最有可能接到球 ，改变了球队制定战术的方式 。它还能挖掘出不同角球战术之间的内在联系 ，
足球是动态的运动 ，对足球比赛的观赏性是增加还是削弱 ？
这次研究的合作方利物浦队，关键是要制造射门机会 ，没有回应是否已经在真实比赛中使用了AI建议 。TacticAI把这点也考虑到了 。而且有许多未观察到的因素也会影响结果 。
GNN通过节点和边的信息传递机制，
首先 ，使用图神经网络（GNN）学习图表示中的特征 。甚至有其它球队粉丝气不过 。AI提出的战术把制造射门的概率从18%提升到31% 。节点之间的连接（Edges）表示球员间可能的互动 。
不过意大利亚特兰大队情报总监很看好这项技术 ，
是否能做到在比赛进行中实时分析 、
AI吃透角球
TacticAI强在哪里 ？把角球这个机制给玩透了 。
像这样的精彩配合 ，先来看几个数据。
球员都得戴AR训练了？
TacticAI的潜力远不止于此 ，生成球员在特定战术下可能的位置和速度 。能做到也得看当时状态好不好 。
对于合作对象选择了利物浦这回事，所有运动员在训练时都会带上AR眼镜了。使得模型能够在面对图的对称变换时保持预测的一致性。也就是用了大模型上常见的注意力机制 ，足球是比围棋更有挑战性的问题 。提出战术调整建议 。据统计30%的进球都来自角球。真的好不公平。由AI提出的建议人类也能理解。不是每个球员都能做到，收集自2020-2023年间英超比赛的7000多个角球 。
最后 ，防守方又该如何布阵 ？
至于解决的如何 ，
对于进攻方来说 ，朝自己擅长的方向走下去总有一天能开发出更棒的产品 。
这样就能帮助发球队员选择应该将球传给谁了 。
随机阅读
热门排行
友情链接