| Processo: | 18/19350-5 |
| Modalidade de apoio: | Bolsas no Exterior - Estágio de Pesquisa - Doutorado |
| Vigência (Início): | 01 de julho de 2019 |
| Vigência (Término): | 30 de junho de 2020 |
| Área do conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | Ricardo da Silva Torres |
| Beneficiário: | Samuel Gomes Fadel |
| Supervisor: | Ulf Brefeld |
| Instituição Sede: | Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil |
| Local de pesquisa: | Leuphana University of Lüneburg, Alemanha |
| Vinculado à bolsa: | 17/24005-2 - Inferência relacional temporal com redes neurais, BP.DR |
| Assunto(s): | Aprendizado computacional Redes neurais (computação) Futebol |
| Palavra(s)-Chave do Pesquisador: | Dados temporais | Futebol | grafos | Redes neurais | Aprendizado de máquina |
Resumo Esportes coletivos, como futebol e basquete, são conduzidos pelas ações coordenadas de seus jogadores, levando a um complexo sistema de interações.Motivados pela disponibilidade de dados relacionados a esses esportes, pesquisadores têm proposto métodos para modelar o comportamento de jogadores usando dados de rastreamento.Embora estes produzam modelos convincentes do comportamento de jogadores, as relações entre jogadores são, no melhor dos casos, tratadas implicitamente pelos métodos.Nos últimos anos, redes neurais têm sido parte central de modelos do estado da arte em dados de áudio, imagem e texto, o que motivou pesquisadores a promover seu uso em outros domínios, como o de grafos.Nesta pesquisa, nosso objetivo é usar grafos dinâmicos para representar tanto os dados de rastreamento quanto interações entre jogadores ao longo do tempo, com foco no futebol, projetando novas arquiteturas de redes neurais capazes de aprender com esses dados.Vislumbramos atacar dois problemas especificamente.O primeiro envolve a modelagem de movimentação coletiva dos jogadores, de tal forma que seja possível predizer realisticamente onde os jogadores estarão posicionados no futuro.O segundo envolve a recuperação de curtos trechos de partidas, isto é, ``recortes'' temporais de partidas descritas por grafos dinâmicos.Nossa metodologia emprega redes neurais capazes de aprender utilizando grafos dinâmicos, utilizando o arcabouço da Graph Network (GN).Essa abordagem se utiliza da flexibilidade da formulação das GNs, nos permitindo explorar diferentes soluções dentro do mesmo arcabouço, ao mesmo tempo que utilizamos as representações mais ricas de uma partida por meio dos grafos dinâmicos. | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |