Boulder2Vec: Modeling Climber Performances in Professional Bouldering Competitions

要約

2008 年から 2022 年までのプロのボルダリング競技会のデータを使用して、ロジスティック回帰をトレーニングして、クライマーの結果を予測し、クライマーのスキルを測定します。
ただし、クライマーごとの単一の数値係数では、さまざまなボルダーの問題におけるクライマーのさまざまな強さと弱さの複雑さを適切に捉えることができないため、このアプローチには限界があります。
たとえば、一部のクライマーはより静的でテクニカルなルートを好む一方、他のクライマーは強力でダイナミックな問題を専門とする場合があります。
この目的を達成するために、推奨システムで一般的に使用されるフレームワークである確率的行列因数分解 (PMF) を適用し、クライマーの固有の特性と潜在的な多次元ベクトルの問題を表現します。
このフレームワークでは、指定された問題に対するクライマーのパフォーマンスは、対応するクライマー ベクトルと問題ベクトルの内積を取ることによって予測されます。
PMF は、類似した登山者からのパターンを外挿することで、登山者のサブセットのみが特定の問題に挑戦するデータセットなど、まばらなデータセットを効果的に処理します。
私たちは、PMF の経験的パフォーマンスをロジスティック回帰アプローチと対比し、PMF によって生成された多変量表現を調査して、登山者の特性についての洞察を得ることができます。
私たちの結果は、多変量 PMF 表現が、クライマーの全体的な強さと専門的なスキルセットの両方を捕捉することにより、プロのボルダリング競技の予測パフォーマンスを向上させることを示しています。

要約(オリジナル)

Using data from professional bouldering competitions from 2008 to 2022, we train a logistic regression to predict climber results and measure climber skill. However, this approach is limited, as a single numeric coefficient per climber cannot adequately capture the intricacies of climbers’ varying strengths and weaknesses in different boulder problems. For example, some climbers might prefer more static, technical routes while other climbers may specialize in powerful, dynamic problems. To this end, we apply Probabilistic Matrix Factorization (PMF), a framework commonly used in recommender systems, to represent the unique characteristics of climbers and problems with latent, multi-dimensional vectors. In this framework, a climber’s performance on a given problem is predicted by taking the dot product of the corresponding climber vector and problem vectors. PMF effectively handles sparse datasets, such as our dataset where only a subset of climbers attempt each particular problem, by extrapolating patterns from similar climbers. We contrast the empirical performance of PMF to the logistic regression approach and investigate the multivariate representations produced by PMF to gain insights into climber characteristics. Our results show that the multivariate PMF representations improve predictive performance of professional bouldering competitions by capturing both the overall strength of climbers and their specialized skill sets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google