Core Concepts
MuLMINet ist ein neuartiges Netzwerkdesign, das mehrschichtige und mehrfach-eingabebasierte Ansätze nutzt, um sowohl Schlagtypen als auch Landepositionen auf dem BSLR-Datensatz genau vorherzusagen. Durch die Integration einer gewichteten Verlustfunktion und eines Verlustauswahl-Moduls konnten optimale Parameter und Modelle abgeleitet werden, was zum zweiten Platz in der IJCAI CoachAI Badminton Challenge führte.
Abstract
Die Studie präsentiert MuLMINet, ein neuartiges Netzwerkdesign zur genauen Vorhersage von Badminton-Schlagtypen und -Landepositionen.
Zunächst wird die Evaluationsmetrik der IJCAI CoachAI Badminton Challenge erläutert, bei der es darum geht, zukünftige Schlagtypen und Koordinaten auf Basis der ersten 4 Schläge vorherzusagen. Dafür wird der Kreuzentropieverlust für den Schlagtyp und der mittlere absolute Fehler für die Koordinaten berechnet.
Das verwendete Datenmaterial basiert auf dem ShuttleSet-Datensatz und umfasst Informationen zu Spielverläufen, zeitlichen Aspekten, räumlichen Koordinaten und Schlagattributen. Zur Auswahl der Eingabemerkmale wurde eine Korrelationsanalyse durchgeführt, die zusätzlich zu den Schlagtypen auch die Attribute "Rückhand", "Überkopfschlag" und Landehöhe als relevant identifizierte.
Das MuLMINet-Netzwerk wurde speziell entwickelt, um diese zusätzlichen Eingabemerkmale zu verarbeiten. Es basiert auf dem ShuttleNet-Konzept mit Spieler- und Spielverlaufs-Encodern und -Decodern. Zwei Encodierungsarten wurden verwendet, um Schlagtyp und Koordinaten separat zu modellieren.
Zur Optimierung des Modells wurde eine gewichtete Verlustfunktion entwickelt, die den Schlagtyp- und Koordinatenverlust berücksichtigt. Außerdem kam ein Verlustauswahl-Modul zum Einsatz, um die besten Hyperparameter-Kombinationen zu identifizieren.
Das so optimierte MuLMINet-Modell erreichte den zweiten Platz in der IJCAI CoachAI Badminton Challenge.
Stats
Die Studie verwendet einen Datensatz mit insgesamt 30.172 Schlägen im Trainingssatz, 1.400 Schlägen im Validierungssatz und 2.040 Schlägen im Testsatz.
Quotes
"Durch die Integration einer gewichteten Verlustfunktion und eines Verlustauswahl-Moduls konnten optimale Parameter und Modelle abgeleitet werden, was zum zweiten Platz in der IJCAI CoachAI Badminton Challenge führte."