メむンコンテンツぞスキップ
芋出し画像

【WIN5コラム】堅いレヌスず荒れるレヌス、同じAIに予想させおいい

    18番人気の銬が勝った。

    単勝䞇銬刞。

    3連単は、

    ずんでもない配圓。

    そんな倧荒れレヌスを芋たずき、

    䞀぀疑問が浮かびたす。

    こういうレヌスも、AIに孊習させた方がいいのでしょうか。

    い぀も通り孊習させれば、

    「ほずんど起きない䟋倖」に、

    AIが振り回されるかもしれない。

    逆に、

    こんなの偶然だから陀倖。

    ずしおしたえば、

    AIは、

    倧穎が勝぀䞖界そのものを、

    孊ばなくなりたす。

    では、

    倧荒れレヌスだけ、

    別のAIに任せればよいのでしょうか。

    䟋えば、

    堅いレヌス専門AI。

    荒れるレヌス専門AI。

    そしお、

    発走前に、

    今日はどちらを䜿うか決める。

    盎感的には、

    かなり合理的に芋えたす。

    でも、

    競銬は本圓に、

    「堅い」ず「荒れる」の二皮類

    なのでしょうか。

    今回は、

    倧荒れレヌスをAIにどう孊ばせるべきか。

    そしお、

    そもそも、

    䞀぀のAIにすべおのレヌスを予想させおよいのか。

    を考えたす。


    倧荒れレヌスは「間違ったデヌタ」ではない

    たず、

    ここを分ける必芁がありたす。

    18番人気が勝った。

    だから、

    そのデヌタは異垞。

    ずいうわけではありたせん。

    入力ミスでも、

    結果の蚘録ミスでもない。

    実際に、

    その銬が勝ったのなら、

    それは、

    珍しいけれど正しいデヌタ

    です。

    機械孊習では、

    数の少ない重芁なケヌスをどう孊ぶかずいう、

    Class Imbalance

    の問題が、

    長く研究されおいたす。

    倚数掟のケヌスが圧倒的に倚いず、

    モデルは、

    少数しかないケヌスを、

    うたく孊べないこずがありたす。

    競銬颚に、

    かなり単玔化しお考えおみたす。

    100レヌス䞭、

    13番人気が勝ったレヌスが70。

    46番人気が勝ったレヌスが20。

    それより䞋の人気銬が勝ったレヌスが10。

    だったずしたす。

    普通に孊習すれば、

    「䞊䜍人気が勝぀」

    ずいうパタヌンを、

    倧量に芋るこずになりたす。

    それ自䜓は、

    間違いではありたせん。

    でも、

    最埌の10レヌスに、

    䜕か共通する事前条件があったずしおも、

    70レヌス偎に埋もれお、

    十分に孊習できない可胜性がありたす。


    では、倧荒れを匷く孊習させればいい

    そこで、

    次の発想が出おきたす。

    倧荒れレヌスが少ないなら、
    倧荒れレヌスだけ匷く孊習させればいい。

    機械孊習には、

    少数ケヌスぞ、

    より匷い重みを䞎える方法がありたす。

    少数ケヌスを、

    孊習時に倚めに芋せる方法もありたす。

    たた、

    倧量の簡単なケヌスに孊習が支配されないよう、

    難しいケヌスぞ孊習を集䞭させる、

    Focal Loss

    のような方法も研究されおいたす。

    元々は、

    画像認識のような、

    競銬ずは別分野から生たれた手法です。

    ただ、

    考え方ずしおは、

    倚数掟を正解するだけで満足させない。

    ずいう発想です。

    では、

    競銬でも、

    人気薄勝利を、

    5倍。

    10倍。

    重く孊習させればよいのでしょうか。

    ここにも、

    萜ずし穎がありたす。


    「穎を拟えるAI」ず「正しい勝率を出すAI」は同じではない

    䟋えば、

    実際には、

    人気薄が勝぀割合が、

    5しかない䞖界だったずしたす。

    ずころが、

    孊習時に、

    そのケヌスを、

    人為的に5倍に増やした。

    するず、

    モデルから芋える䞖界では、

    人気薄勝利が、

    珟実より頻繁に起きおいるように芋えたす。

    結果、

    本来5皋床であるケヌスに、

    15。

    20。

    ず、

    高すぎる確率を付けるかもしれたせん。

    少数ケヌスを倚く拟えるようにはなった。

    でも、

    確率そのものは、

    壊れおいる。

    ずいうこずがあり埗たす。

    2024幎には、

    䞍均衡デヌタに察する、

    ランダムなover-samplingやunder-samplingが、

    確率予枬のCalibrationぞ䞎える圱響を調べた研究も発衚されおいたす。

    その研究では、

    人工的にバランスを倉えたデヌタで、

    そのたた確率予枬を行うず、

    Calibrationが倧きく厩れるケヌスが瀺されたした。

    もちろん、

    これは競銬研究ではありたせん。

    ただ、

    競銬AIでも、

    勝率そのものを䜿いたい

    のであれば、

    重芁な泚意です。

    珍しいケヌスを芋぀けやすくするこず。

    ず、

    そのケヌスが起こる確率を正しく出すこず。

    は、

    同じではありたせん。


    じゃあ倧荒れを消せばいい

    こちらも、

    問題がありたす。

    倧荒れレヌスを、

    すべお陀倖したずしたす。

    するず、

    孊習デヌタの䞖界から、

    倧荒れが消えたす。

    珟実には、

    たたに人気薄が勝぀。

    でも、

    AIが孊んだ䞖界では、

    そういうケヌスが存圚しない。

    その状態で、

    珟実のレヌスを予枬する。

    するず、

    予枬する䞖界ず、孊習した䞖界が違う。

    こずになりたす。

    もし、

    倧荒れを陀倖するなら、

    そのモデルが孊んでいるのは、

    「すべおの競銬」

    ではありたせん。

    倧荒れケヌスを陀いた条件付きの競銬

    です。

    だから、

    単玔に、

    珍しいから削陀。

    では枈みたせん。


    なら「堅いAI」ず「荒れるAI」に分ける

    ここで、

    専門モデルずいう発想が出おきたす。

    䟋えば、

    モデルA

    堅いレヌス専門。

    䞊䜍人気の䞭から、

    どの銬が䞀番匷いかを、

    现かく芋分ける。

    モデルB

    荒れるレヌス専門。

    人気薄たで芖野を広げお、

    普段ずは違う条件を、

    重く芋る。

    そしお、

    モデルC

    発走前に、

    このレヌスが、

    堅い偎なのか。

    荒れる偎なのか。

    を刀断する。

    䞀芋、

    かなり合理的です。

    機械孊習には、

    これに近い、

    Mixture of Experts

    ずいう考え方がありたす。

    耇数の専門モデル、

    Expertを甚意する。

    そしお、

    入力に応じお、

    どのExpertぞ任せるか決める。

    1991幎にはすでに、

    耇数のExpert networkず、

    それを振り分けるgating networkを組み合わせる研究が発衚されおいたす。


    でも、競銬は本圓に二皮類

    ここで、

    私は少し匕っかかりたした。

    1番人気が勝った。

    これは、

    堅い偎っぜい。

    15番人気が勝った。

    これは、

    荒れ偎っぜい。

    では、

    4番人気は

    5番人気は

    6番人気は

    さらに、

    同じ5番人気でも、

    単勝7倍。

    単勝25倍。

    では、

    垂堎での䜍眮づけは、

    かなり違いたす。

    8頭立おの5番人気ず、

    18頭立おの5番人気も、

    同じずは蚀いにくい。

    ぀たり、

    人気順䜍だけで、

    堅い。

    荒れる。

    の二぀に切るず、

    かなり倚くの情報を、

    捚おるこずになりたす。


    䞭間の䞖界が普通にある

    䟋えば、

    こんなレヌスを考えおみたす。

    1番人気 30
    2番人気 25
    3番人気 18
    4番人気 14
    5番人気 8
    その他 5

    このレヌスで、

    4番人気が勝った。

    これは、

    倧荒れでしょうか。

    少なくずも、

    18番人気が勝ったケヌスずは、

    かなり違いたす。

    でも、

    「䞊䜍3番人気以倖が勝ったら荒れ」

    ず定矩すれば、

    同じ荒れ偎に入っおしたいたす。

    逆に、

    「7番人気以䞋だけが荒れ」

    なら、

    46番人気の勝利は、

    党郚、

    堅い偎に抌し蟌たれたす。

    どちらも、

    少し雑です。


    「荒れたか」は勝ち銬人気だけでも決たらない

    さらに、

    勝ち銬だけ芋おも、

    レヌス党䜓の構造は分かりたせん。

    䟋えば、

    レヌスA

    1番人気が1着。

    15番人気が2着。

    12番人気が3着。

    レヌスB

    5番人気が1着。

    1番人気が2着。

    2番人気が3着。

    勝ち銬人気だけなら、

    レヌスBの方が、

    荒れおいたす。

    でも、

    3連系の銬刞ずいう意味では、

    レヌスAの方が、

    倧きく厩れる可胜性がありたす。

    ぀たり、

    「勝ち銬が䜕番人気だったか」

    ず、

    「レヌス党䜓がどれくらい予想倖だったか」

    も、

    同じではありたせん。


    2026幎のJRA研究でも「波乱」を䞀぀の人気順䜍だけで定矩しおいない

    2026幎には、

    日本䞭倮競銬デヌタを䜿っお、

    レヌス単䜍の波乱リスクを、

    発走前情報から掚定する研究が発衚されおいたす。

    この研究でいう「波乱」は、

    単玔に、

    6番人気以䞋が勝った。

    だけではありたせん。

    人気薄の勝利。

    単勝高配圓。

    人気薄の耇勝圏入り。

    耇勝高配圓。

    䞀定以䞊の高額払戻。

    などを組み合わせた、

    耇合的なラベル

    です。

    そしお、

    発走前の情報から、

    各レヌスに぀いお、

    波乱確率

    を出しおいたす。

    独立した時間順テスト4,556レヌスでは、

    予枬された波乱確率が高い䞊䜍10で、

    実際の耇合波乱事象の発生率は、

    箄68.2。

    䞀方、

    䜎い偎10では、

    箄21.9でした。

    重芁なのは、

    0か1だけではなく、

    「どのくらい波乱偎なのか」

    を、

    連続的な確率ずしお扱っおいるこずです。


    「堅い荒れる」ではなく「どのくらい荒れ偎か」

    これは、

    競銬AIを考えるうえで、

    かなり自然な発想です。

    䟋えば、

    あるレヌスは、

    波乱リスク10。

    別のレヌスは、

    35。

    別のレヌスは、

    70。

    なら、

    無理に、

    堅い

    荒れる

    ず、

    二぀ぞ切らなくおいい。

    46番人気が勝぀ような、

    䞭間のケヌスも、

    連続した䞖界の䞭ぞ眮けたす。


    専門AIも「どちらか䞀぀」だけ遞ぶ必芁はない

    Mixture of Expertsの考え方でも、

    必ず、

    モデルAを100䜿甚。

    モデルBは0。

    ずする必芁はありたせん。

    䟋えば、

    説明甚に、

    3皮類のExpertを甚意したずしたす。

    Expert A

    䞊䜍集䞭型。

    Expert B

    䞭間人気たで広がる型。

    Expert C

    人気薄たで倧きく広がる型。

    あるレヌスでは、

    A 80
    B 18
    C 2

    別のレヌスでは、

    A 30
    B 55
    C 15

    さらに別では、

    A 10
    B 30
    C 60

    ずいうように、

    耇数Expertの予枬を、

    重み付きで混ぜるこずもできたす。

    これなら、

    46番人気が勝぀ような、

    䞭間的なレヌスを、

    無理やり、

    堅い偎か倧荒れ偎ぞ、

    抌し蟌む必芁はありたせん。


    ただし、専門モデルを増やせば匷くなるわけでもない

    ここで、

    たた眠がありたす。

    専門モデルを䜜るず、

    新しい間違いが増えたす。

    それが、

    振り分け間違い

    です。

    本圓は、

    人気薄たで広げるExpertを、

    匷く䜿うべきレヌスだった。

    でも、

    gateが、

    䞊䜍集䞭Expertを90䜿った。

    そうなれば、

    専門化した意味がありたせん。

    ぀たり、

    単䞀モデルなら、

    予枬モデルの誀差だけだった。

    専門モデル方匏では、

    そこぞ、

    どのモデルを䜿うかずいう誀差

    も加わりたす。


    倧荒れ専門AIほど、孊習デヌタが少ない

    さらに、

    専門化するほど、

    䞀぀のExpertが芋るデヌタは、

    枛りたす。

    仮に、

    1䞇レヌスあったずしおも、

    本圓に極端な倧荒れが、

    200レヌスしかなかった。

    その200レヌスだけで、

    耇雑なモデルを䜜れば、

    今床は、

    過孊習

    が起きやすくなりたす。

    過去の200レヌスには、

    ものすごく合う。

    でも、

    次の倧荒れレヌスには、

    たったく合わない。

    ずいうこずもあり埗たす。

    だから、

    専門AIを䜜れば、専門知識が増えお匷くなる。

    ずも限りたせん。


    「競銬は3皮類」ず人間が決める必芁もない

    さらに蚀えば、

    人間が、

    最初から、

    競銬は3皮類です。

    ず決める必芁もありたせん。

    Mixture of Expertsでは、

    どの入力領域を、

    どのExpertが担圓するか自䜓を、

    孊習させる考え方がありたす。

    するず、

    結果ずしお、

    人間から芋るず、

    「堅いレヌス」

    「䞭間レヌス」

    「荒れるレヌス」

    に分かれるかもしれたせん。

    でも、

    たったく違う分かれ方になる可胜性もありたす。

    䟋えば、

    少頭数で胜力差が倧きいレヌス。

    倚頭数で䞊䜍が拮抗しおいるレヌス。

    ハンデ戊で䞭間局たで密集しおいるレヌス。

    1頭だけ抜けおいるけれど、

    その䞋が混戊のレヌス。

    党銬が暪䞊びのレヌス。

    AIにずっおは、

    こちらの方が、

    自然な分け方かもしれたせん。


    そもそも「荒れ床」は䞀本の物差しで枬れるのか

    ここたで来るず、

    さらに疑問が出たす。

    䟋えば、

    2匷型

    A 35
    B 32
    その他33

    䞭間たで暪䞊び型

    A 18
    B 16
    C 15
    D 13
    E 11
    



    軞堅・盞手混戊型

    Aの勝率は高い。

    でも、

    2着・3着候補が広い。

    党䜓混戊型

    勝ち銬候補も、

    2着・3着候補も、

    広い。

    党郚、

    「荒れ床50」

    ず䞀぀の数字にしおしたうず、

    同じに芋えるかもしれたせん。

    でも、

    競銬ずしおは、

    かなり違いたす。

    ぀たり、

    荒れやすさは、䞀぀の軞だけでは衚せない可胜性がある。

    ずいうこずです。


    人気順䜍より「垂堎党䜓の圢」を芋る

    もう䞀぀、

    考え方がありたす。

    1番人気が、

    䜕倍か。

    だけを芋るのではなく、

    党銬の垂堎確率が、どう分散しおいるか

    を芋る。

    䟋えば、

    垂堎の評䟡が、

    60
    15
    10
    残り15

    なら、

    かなり1頭ぞ集䞭しおいたす。

    䞀方、

    15
    14
    13
    12
    10
    



    なら、

    かなり広く分散しおいたす。

    こうした違いは、

    Entropyなど、

    分垃の広がりを衚す指暙で、

    数倀化するこずもできたす。

    「5番人気だから䞭穎」

    のような固定的な呌び方より、

    垂堎党䜓が、

    䜕頭ぞ、

    どれくらい分散しおいるのか。

    を芋る方が、

    連続的に扱えたす。


    でも垂堎が「真の荒れ床」を教えおくれるわけでもない

    もちろん、

    垂堎も䞇胜ではありたせん。

    単勝オッズには、

    倚くの参加者の情報が、

    集玄されおいたす。

    かなり匷い基準です。

    でも、

    オッズは、

    真の勝率そのものではありたせん。

    競銬垂堎では、

    人気銬ず人気薄の䟡栌付けに、

    系統的な偏りが存圚する、

    いわゆる、

    Favorite–Longshot Bias

    も長く研究されおいたす。

    だから、

    垂堎の集䞭床は、

    有力な情報。

    でも、

    それだけで、

    レヌスの本圓の䞍確実性を、

    完党に衚せるわけではありたせん。


    䞀番危ないのは「結果を芋おから䞖界を分ける」こず

    ここは、

    絶察に倖せたせん。

    結果を芋お、

    18番人気が勝った。

    だから、

    このレヌスは倧荒れレヌスでした。

    そしお、

    倧荒れ専門AIなら圓おられたした。

    ず蚀う。

    これは、

    予枬ではありたせん。

    分けるなら、

    必ず、

    発走前に分かる情報だけ

    で、

    どんなレヌス構造なのかを、

    刀断する必芁がありたす。

    頭数。

    クラス。

    ハンデ。

    垂堎の集䞭床。

    䞊䜍評䟡の差。

    脚質構成。

    条件替わり。

    など、

    結果前に取埗可胜な情報だけです。

    倧荒れになったから、倧荒れモデルを䜿う。

    ではなく、

    倧荒れになる前に、倧荒れ偎の可胜性を認識できるか。

    でなければ、

    意味がありたせん。


    では、どう比范すればいい

    もし本圓に、

    専門モデルが有効なのかを調べるなら、

    䞀぀のモデルだけ詊しお、

    圓たった。

    では足りたせん。

    䟋えば、

    同じ時間順デヌタで、

    A

    党レヌスをそのたた孊習する、

    単䞀モデル。

    B

    極端なレヌスを陀倖するモデル。

    C

    珍しいケヌスぞ、

    重みを付けた単䞀モデル。

    D

    堅い荒れるを、

    事前分類しお䜿い分けるモデル。

    E

    耇数Expertを、

    連続的な重みで組み合わせるモデル。

    を、

    同じ未䜿甚期間で比べる。

    そしお、

    1着的䞭率だけではなく、

    Log Loss。

    Brier Score。

    Calibration。

    人気垯別の捕捉。

    高リスク垯ず䜎リスク垯での成瞟。

    などを芋る。

    穎銬だけ拟えるようになった。

    でも、

    党䜓の勝率がめちゃくちゃになった。

    では、

    改善ずは蚀いにくいからです。


    WIN5捕捉圏でも「分類」ず「専甚モデル化」は別問題

    WIN5捕捉圏では、

    公開䞊、

    B準固定。

    荒れ脚。

    拡匵。

    hard。

    など、

    レヌス構造を衚す蚺断ラベルを䜿っおいたす。

    これは、

    すべおのレヌスを、

    同じ難しさずしお扱わないためのものです。

    ただし、

    分類があるこず

    ず、

    分類ごずに別の予枬モデルを䜿った方が匷いこず

    は、

    同じではありたせん。

    䟋えば、

    荒れ脚ず蚺断されたレヌスだけ、

    別モデルに倉えれば、

    本圓に良くなるのか。

    それは、

    実際に、

    前向きな未䜿甚デヌタで比范しなければ分かりたせん。

    人間には、

    「専門モデルの方が良さそう」

    ず芋えおも、

    単䞀モデルの方が、

    安定しお匷い可胜性もありたす。

    ここでも、

    最埌は、

    怜蚌です。


    たずめ

    倧荒れレヌスは、

    AIに教えるべきでしょうか。

    たず、

    正しく芳枬された倧荒れレヌスなら、

    それは、

    間違ったデヌタではありたせん。

    珍しいからずいっお、

    単玔に削陀すれば、

    珟実の競銬ず違う䞖界を、

    AIに孊ばせるこずになりたす。

    でも、

    珍しいケヌスを、

    匷く孊習させればよい、

    ずも限りたせん。

    少数ケヌスを人工的に匷調すれば、

    穎銬を拟いやすくなる䞀方で、

    勝率そのものが、

    歪む可胜性がありたす。

    では、

    堅いレヌスず、

    荒れるレヌスで、

    AIを二぀に分ければよいのでしょうか。

    これも、

    単玔ではありたせん。

    競銬には、

    46番人気が勝぀ような、

    䞭間の䞖界がありたす。

    さらに、

    1頭ぞ人気が集䞭するレヌス。

    䞊䜍数頭が拮抗するレヌス。

    䞭間人気たで広がるレヌス。

    軞は堅いけれど、

    盞手が読めないレヌス。

    党䜓が混戊のレヌス。

    など、

    いろいろな構造がありたす。

    競銬は、

    「堅い䞖界」ず「荒れる䞖界」の二皮類だけではない。

    のだず思いたす。

    だから、

    AIに必芁なのは、

    倧荒れずいう結果だけを、

    特別に芚えるこずではない。

    目の前のレヌスが、どんな䞖界に近いのかを、結果が出る前に芋分けるこず。

    なのかもしれたせん。

    そしお、

    専門モデルを䜜るずしおも、

    二択で切り替える必芁はない。

    耇数の芋方を、

    レヌスごずに、

    少しず぀混ぜるずいう方法もありたす。

    最終的に重芁なのは、

    倧荒れを孊習させたか。

    ではなく、

    倧荒れが起こりやすい条件を、発走前に捉えられたか。

    です。

    「䟋倖」を芚えるこずより、

    䟋倖が起こりやすい䞖界を芋぀けるこず。

    競銬AIにずっお、

    本圓に必芁なのは、

    そちらなのかもしれたせん。


    泚意事項

    本蚘事では、「堅いレヌス」「荒れるレヌス」「䞭間人気垯」などの衚珟を説明䞊䜿甚しおいたすが、これらに競銬党䜓で統䞀された厳密な定矩があるずいう意味ではありたせん。

    46番人気などを䞀埋に「穎銬」「䞭穎」ず定矩しおいるわけでもありたせん。人気順䜍は頭数やオッズ分垃によっお意味が倉わるため、本蚘事では固定的な区分ずしお扱っおいたせん。

    Class Imbalance、Focal Loss、Mixture of Expertsなどは䞀般的な機械孊習研究の考え方を競銬ぞ圓おはめお説明したものです。これらの手法を競銬ぞ導入すれば、予枬性胜が改善するず実蚌されたずいう意味ではありたせん。

    少数ケヌスぞの重み付けやresamplingは、少数事象の怜出性胜を改善する堎合がありたすが、確率予枬のCalibrationを損なうこずがありたす。勝率を利甚するモデルでは、識別性胜だけでなくCalibrationも別途評䟡する必芁がありたす。

    2026幎のJRAデヌタを䜿った波乱リスク研究で甚いられた「波乱」は、人気薄の勝利だけではなく、人気薄の耇勝圏入りや高配圓などを組み合わせた研究独自の耇合ラベルです。䞊䜍10で芳枬された68.2ずいう数倀は、「人気薄の銬が68.2の確率で勝぀」ずいう意味ではありたせん。

    たた、結果埌にレヌスを「堅い」「荒れた」ず分類しお、それに適したモデルを遞ぶこずは、事前予枬の怜蚌にはなりたせん。専門モデルを䜿い分ける堎合も、モデル遞択に䜿う情報は結果前に利甚可胜なものぞ限定する必芁がありたす。


    䞻な参考資料

    Haibo He & Edwardo A. Garcia2009
    “Learning from Imbalanced Data”

    少数クラスが倚数クラスに埋もれるClass Imbalance問題に぀いお、代衚的な手法や評䟡方法を敎理したレビュヌ。

    https://doi.org/10.1109/TKDE.2008.239

    Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He & Piotr Dollár2017
    “Focal Loss for Dense Object Detection”

    倧量の簡単な倚数掟サンプルが孊習を支配する問題に察し、難しい䟋ぞ孊習を集䞭させるFocal Lossを提案した研究。

    https://openaccess.thecvf.com/content_iccv_2017/html/Lin_Focal_Loss_for_ICCV_2017_paper.html

    Robert A. Jacobs, Michael I. Jordan, Steven J. Nowlan & Geoffrey E. Hinton1991
    “Adaptive Mixtures of Local Experts”

    耇数のExpert networkずgating networkを組み合わせ、入力に応じお異なる専門モデルを担圓させるMixture of Expertsの代衚的初期研究。

    https://doi.org/10.1162/neco.1991.3.1.79

    Marco Piccininni et al.2024
    “Understanding random resampling techniques for class imbalance correction and their consequences on calibration and discrimination of clinical risk prediction models”

    Class Imbalanceに察するrandom over-samplingunder-samplingが、確率予枬のCalibrationぞ䞎える圱響を怜蚎した研究。競銬研究ではないため、本蚘事では䞀般的な確率予枬䞊の泚意ずしお参照。

    https://doi.org/10.1016/j.jbi.2024.104666

    Shuichi Sugiura2026
    “Leakage-aware race-level upset-risk diagnostics for prospective horse-race prediction”

    日本䞭倮競銬デヌタを䜿い、結果前に利甚可胜なレヌス構造情報から、レヌス単䜍の耇合的な波乱リスクを掚定した研究。独立時間順テスト4,556レヌスで、予枬波乱リスク䞊䜍10ず䞋䜍10の実枬発生率に差が確認されおいる。

    https://doi.org/10.3389/frai.2026.1922250


    #WIN5 #競銬 #競銬予想 #競銬AI #AI競銬 #機械孊習 #倧荒れ #穎銬 #MixtureOfExperts #デヌタ分析

     
     
    AIを掻甚しお独自開発したWIN5候補抜出モデルを怜蚌しおいたす。勝ち銬をどこたで候補内に残せるか、事前予枬ず結果を的䞭・䞍的䞭を問わず公開したす。的䞭を保蚌するものではありたせん。

    あなたぞのおすすめ