Private 第7名 (Public 第12名) 解决方案及代码 (使用 keras GCN 库)

非常感谢竞赛组织者和 Kaggle 举办这场精彩的比赛。比赛中涌现了许多不同的方法，如 CNN、Transformer、GCN、MLP、提升树（Boosted Trees）以及大量的特征工程，让我学到了很多 :)

概览

• 数据修正 (Data fix)
  • 没有修改数据。
  • 虽然某些特征存在分布差异，但在我的尝试中，通过调整均值和标准差来修正它们反而导致分数下降。
• 模型 (Model)
  • 带有多个输出的 2 层 GCN（图卷积网络）。
  • 每个 GCN 层之后跟随一个注意力求和池化层（注意力是通过可训练权重与每个球员特征的点积计算得出的）。
  • GCN 层是我原创的层，结合了图注意力网络 (GAT) 和 GraphConvSkip 层。
• 优化器
  • Adam (学习率 lr=1e-3)
• 损失函数
  • 最后一层使用二元交叉熵 和 MAE。
  • 在每个 GCN 层之后紧接着设置了将输出分为 50 个部分的二元交叉熵损失。这加快了收敛时间。
• 数据增强
  • 翻转 Y 轴。
  • 添加几秒钟后的数据没有效果。
  • TTA (测试时增强) 没有效果。
• 特征工程
  • 每个球员 115 个特征。
  • 将球员特征和比赛特征分开处理反而使分数变差。
  • 以下 0~2 秒后的特征显著提高了分数：
    • 每个球员周围的对方球员数量。
    • 移动一定距离后是否会与跑卫 发生碰撞。
    • 与跑卫的距离。
• 后处理
  • 对于从当前位置无法到达的部分，用 0 或 1 进行填充。