[論文レビュー] A framework for the fine-grained evaluation of the instantaneous expected value of soccer possessions

Javier Fernández, Luke Bornn+1 more|arXiv (Cornell University)|Nov 18, 2020

Sports Analytics and Performance参考文献 26被引用数 74

ひとこと要約

本論文は、パス、ボールドライブ、シュートを個別にモデル化することで、サッカーにおける期待支配価値（EPV）の細分化された、リアルタイム評価を可能にするディープラーニングフレームワークを提案する。畳み込みニューラルネットワークと空間時間的特徴を用いることで、校正済みで視覚的に解釈可能な確率分布を生成し、コーチが観測された行動だけでなく、仮想的な試合内意思決定を高精度かつ解釈可能に評価できるようにする。

ABSTRACT

The expected possession value (EPV) of a soccer possession represents the likelihood of a team scoring or receiving the next goal at any time instance. By decomposing the EPV into a series of subcomponents that are estimated separately, we develop a comprehensive analysis framework providing soccer practitioners with the ability to evaluate the impact of both observed and potential actions. We show we can obtain calibrated models for all the components of EPV, including a set of yet-unexplored problems in soccer. We produce visually-interpretable probability surfaces for potential passes from a series of deep neural network architectures that learn from low-level spatiotemporal data. Additionally, we present a series of novel practical applications providing coaches with an enriched interpretation of specific game situations.

研究の動機と目的

• 動的な試合状況を捉えることのできる、柔軟で解釈可能な、瞬時の期待支配価値（EPV）推定フレームワークの開発。
• パス、ボールドライブ、シュートといった、別々のボールオンアクション成分にEPVを分解し、個々の貢献を細かく分析すること。
• コーチや実務家が、観測された行動だけでなく、視覚化された確率分布を通じて、実際の試合で採択されなかった代替行動の評価を可能にすること。
• プレーヤーおよびボールの追跡から得られる低レベルの空間時間的データを用いて、空間的に認識された予測を校正済みに生成すること。
• 複雑なディープラーニングモデルとプロフェッショナルサッカーにおける実践的意思決定のギャップを、モデルの解釈可能性を高めることで埋めること。

提案手法

• EPVは、次のゴール結果（G ∈ {−1, 1}）の期待値として、フレーム単位で推定され、3つのボールオンアクション成分への分解を経てモデル化される。
• 全フィールドの潜在的パス予測には、複数の解像度スケール（1x、1/2x、1/4x）でレイヤー化されたゲームスナップショットを処理する、完全畳み込みニューラルネットワーク（SoccerMap）が用いられる。これにより、局所的およびグローバルな空間的特徴を捉える。
• ネットワークは32および64のフィルタを5×5のカーネルで使用し、ダウンサンプリングにマックスプーリングを適用し、スケール間の予測を統合するためのファージョン層を経て、最終的な1×1畳み込み出力を得る。
• 単一位置の予測には、プレーヤーのクラスタリングから導出される動的プレッシャーライン（縦方向／横方向）を含む、包括的な空間的および文脈的特徴のセットを用いて、浅いニューラルネットワークを学習させる。
• 動的プレッシャーラインは、k=3のクラスタ（完全連結クラスタリングを用いて）の重心として定義され、チームのフォーメーション（例：フォワード、ミッドフィルダー、ディフェンダー）を表す。
• XGBoostを用いてOPTAイベントデータ（117,948本のシュート）上でベースラインの期待ゴール数モデルを学習し、シュート位置、距離、角度、攻撃タイプなどの特徴を用いて、テスト時の対数損失が0.2540、ECEが0.00594を達成した。

実験結果

リサーチクエスチョン

• RQ1 パス、ボールドライブ、シュートといった解釈可能な成分に、期待支配価値（EPV）をどのように分解することで、モデルの透明性を向上させられるか？
• RQ2 ディープニューラルネットワークは、単一位置の真値データのみを用いても、潜在的パスの校正済みで視覚的に解釈可能な確率分布を生成できるか？
• RQ3 パスの位置や文脈的特徴に加え、動的プレッシャーラインといった新規特徴が、EPV推定の精度と解釈可能性をどの程度向上させるか？
• RQ4 仮想的な行動を評価できるようにすることで、このフレームワークは実践的なコーチング応用をどの程度支援できるか？
• RQ5 提案されたモデルは、EPVおよび関連する成分に関して、校正性と予測精度の観点でどの程度の性能を示すか？

主な発見

• 提案されたフレームワークは、パス、ボールドライブ、シュートという3つのボールオンアクション成分にEPVを成功裏に分解し、支配価値への個々の影響を細かく分析可能にした。
• SoccerMapアーキテクチャは、全フィールドの潜在的パスに対して、校正済みで視覚的に解釈可能な確率分布を生成でき、単一位置の真値データのみで学習させても有効である。
• XGBoostベースラインモデルは、テスト時の対数損失が0.2540、ECEが0.00594を達成し、OPTAイベントデータ上での強い校正性と予測性能を示した。
• k=3の完全連結クラスタリングによるプレーヤー位置のクラスタリングから導出される動的プレッシャーラインは、チーム構造を効果的に表現し、モデル内の空間表現を強化した。
• 単一モデルによるEPV推定と比較して、分解アプローチは解釈性を向上させ、コーチがリアルタイムに実行されなかった代替行動の影響を評価できるようにした。
• このフレームワークは、支配価値の推移のリアルタイム可視化や、試合中の代替戦術的意思決定のシミュレーションといった、新たな実践的応用を可能にした。