[論文レビュー] Integrating Unsupervised and Supervised Learning for the Prediction of Defensive Schemes in American football

Rouven Michels, Robert Bajons+1 more|arXiv (Cornell University)|Feb 11, 2026

Sports Performance and Training被引用数 0

ひとこと要約

この論文は、非ホモンゲネousな隠れマルコフモデルと監視学習（Elastic Net ロジスティック回帰と XGBoost）を組み合わせ、NFL のディフェンス戦略（マン対ゾーン）をスナップ前とモーション段階のトラッキングデータから予測するハイブリッドフレームワークを提示する。HMM由来の特徴は予測性能を向上させるとともに、ランダム効果とGCM検定を通じて解釈可能な見解を提供する。

ABSTRACT

Anticipating defensive coverage schemes is a crucial yet challenging task for offenses in American football. Because defenders' assignments are intentionally disguised before the snap, they remain difficult to recognize in real time. To address this challenge, we develop a statistical framework that integrates supervised and unsupervised learning using player tracking data. Our goal is to forecast the defensive coverage scheme -- man or zone -- through elastic net logistic regression and gradient-boosted decision trees with incrementally derived features. We first use features from the pre-motion situation, then incorporate players' trajectories during motion in a naive way, and finally include features derived from a hidden Markov model (HMM). Based on player movements, the non-homogeneous HMM infers latent defensive assignments between offensive and defensive players during motion and transforms decoded state sequences into informative features for the supervised models. These HMM-based features enhance predictive performance and are significantly associated with coverage outcomes. Moreover, estimated random effects offer interpretable insights into how different defenses and positions adjust their coverage responsibilities.

研究の動機と目的

• スナップ前の tracking データを用いて、2024年シーズンの最初の9週間の NFL ディフェンスカバレッジ（マン対ゾーン）を予測する。
• 非ホモなHMMによる潜在的なガーディングアサインメントを監視モデルと統合する。
• HMM由来の特徴がディフェンス戦略分類の予測力と解釈性に与える利益を評価する。
• ディフェンス戦略におけるチームおよびモーションパターンの差異を探る。
• 特徴量の関連性について現代的条件付き独立検定を用いて統計的推論を提供する。

提案手法

• 無監督学習と監督学習を二層構造で組み合わせる（HMM内モデル、監督外部モデル）。
• 非ホモなHMMを用いて垂直ディフェンダーの軌跡から潜在的なガードエリアを推定し、ラグド平均で反応時間をモデル化する。
• HMM由来の特徴をElastic Net ロジスティック回帰とXGBoostモデルに組み込み、マン対ゾーンの予測を行う。
• 局所デコード確率からHMM特徴を導出し、最も可能性の高いガードされた選手、スイッチ回数、エントロピー、プレイ特有のランダム効果などの指標に要約する。
• 効率的な尤度計算のため前向きアルゴリズムを用い、HMMにおけるランダム効果の統合にはラプラス近似を適用する。
• 正確さ、AUC、ログロスなどの指標でモデルを評価し、HMM特徴の有意性を評価するためにGeneralized Covariance Measure (GCM)検定を用いる。

Figure 1: This figure illustrates the step-by-step pre-processing for a game between the Arizona Cardinals and the Kansas City Chiefs. From top left to bottom right, we first display all players, then exclude offensive non-skill players, next omit defensive linemen, and finally remove pass-rushing l

実験結果

リサーチクエスチョン

• RQ1 スナップ前およびモーション相のトラッキング特徴は、NFLディフェンスカバレッジをマン対ゾーンとして信頼性高く予測できるか。
• RQ2 潜在的なガーディングアサインメントを捉えるHMM由来の特徴は、単なるモーション特徴のみを用いた場合の予測性能を改善するか。
• RQ3 ディフェンス予測におけるHMM特徴の解釈性と統計的有意性はどうか。
• RQ4 プレー、チーム、ポジションのランダム効果はゲーム間でどのようなディフェンス戦略の傾向を反映するか。
• RQ5 他の変数を条件付けた後でも、HMM特徴とカバレッジ結果との間に有意な関連があるかを条件付き独立検定で示せるか。

主な発見

• 無監督のHMMは潜在的なガーディングアサインメントとモーション中の反応ダイナミクスを遅延パラメータ（l≈4 tenths of a second）とともに特定する。
• HMM由来の特徴は、モーション前後の特徴のみを用いたモデルよりも、マン対ゾーン分類の予測性能を大幅に向上させる。
• GCM検定は、他の特徴で条件づけた後でもHMM特徴がカバレッジ結果と有意に関連し、特徴の影響を解釈可能に推論できることを示す。
• ランダム効果はポジション、チーム、プレーを横断する有意な異質性を捉え、ディフェンス特有の傾向に洞察を提供する。
• このフレームワークは、モーションを利用してディフェンス戦略を決定する際のチーム行動とモーションパターンの分析を可能にする。

Figure 4: This figure illustrates how guarding assignments evolve during an example play based on decoded state sequences from our HMM analysis. Lines between offensive and defensive players represent inferred matchups over time. The top-left panel shows initial formations at the line of scrimmage;