[論文レビュー] Leaving Goals on the Pitch: Evaluating Decision Making in Soccer

Maaike Van Roy, Pieter Robberechts+3 more|arXiv (Cornell University)|Apr 7, 2021

Sports Analytics and Performance参考文献 11被引用数 10

ひとこと要約

本論文は、機械学習とAI検証技術を組み合わせた新しいマルコフ決定過程（MDP）ベースのフレームワークを提案し、サッカーの意思決定を評価する。2シーズンにわたる攻撃行動をモデル化し、MDPに対して反事後的質問を提示することで、チームはペナルティーエリア外の特定の位置でより多くのシュートを打つことで、より多くのゴールをあげられることを明らかにした。これは、現在の長距離シュートを避ける傾向に反するものである。

ABSTRACT

Analysis of the popular expected goals (xG) metric in soccer has determined that a (slightly) smaller number of high-quality attempts will likely yield more goals than a slew of low-quality ones. This observation has driven a change in shooting behavior. Teams are passing up on shots from outside the penalty box, in the hopes of generating a better shot closer to goal later on. This paper evaluates whether this decrease in long-distance shots is warranted. Therefore, we propose a novel generic framework to reason about decision-making in soccer by combining techniques from machine learning and artificial intelligence (AI). First, we model how a team has behaved offensively over the course of two seasons by learning a Markov Decision Process (MDP) from event stream data. Second, we use reasoning techniques arising from the AI literature on verification to each team's MDP. This allows us to reason about the efficacy of certain potential decisions by posing counterfactual questions to the MDP. Our key conclusion is that teams would score more goals if they shot more often from outside the penalty box in a small number of team-specific locations. The proposed framework can easily be extended and applied to analyze other aspects of the game.

研究の動機と目的

• サッカーにおける長距離シュートを避ける現在のトレンドが、データドリブンな分析によって正当化されているかどうかを評価すること。
• AIおよび機械学習を用いてチーム意思決定を評価する汎用的で解釈可能なフレームワークを構築すること。
• 学習済みMDPモデル上で反事後的推論を用いて、代替のシュート戦略の影響を定量化すること。
• ゴール獲得結果を向上させるために、ペナルティーエリア外の特定の場所でシュートを増やすことが有効であることを同定すること。

提案手法

• 著者らは、2シーズン分のサッカー試合のイベントストリームデータを用いてトレーニングしたマルコフ決定過程（MDP）として、チームの攻撃行動をモデル化した。
• 逆強化学習および行動クローン技術を用いて、観察された選手の行動から報酬関数を推定した。
• 学習済みMDPに対して反事後的推論を適用し、ペナルティーエリア外からのシュートといった代替の意思決定経路をシミュレートした。
• 異なる戦術的選択肢における期待ゴールアウトカムの比較を通じて、意思決定の有効性を検証するフレームワークを提供した。
• AIベースの検証技術を用いて、戦略的意思決定の長期的結果について形式的推論を行った。
• この手法を、プレーの空間的・時間的パターンに基づいて、チーム固有の最適シュートゾーンを同定するように拡張した。

実験結果

リサーチクエスチョン

• RQ1 サッカーにおける長距離シュートを避ける現在のトレンドは、統計的および戦略的に正当化されているか？
• RQ2 ペナルティーエリア外のどの特定の場所が、より頻繁に狙われるとゴール変換率が向上するか？
• RQ3 チームが長距離からの攻撃をより積極的に行うようになった場合、ゴール獲得数はどのように変化するか？
• RQ4 現在の戦術的行動は、MDPモデル下での最適意思決定からどの程度逸脱しているか？
• RQ5 MDPの形式的検証は、現実のチーム意思決定における隠れた非効率性を明らかにできるか？

主な発見

• 特にシュートの質が中程度だが、未活用の場所では、ペナルティーエリア外の特定の場所からシュート頻度を増やすことで、チームは著しく多くのゴールをあげられると判明した。
• MDPベースの反事後的分析により、チーム固有のゾーンで長距離シュートを増やすことで、現在の戦術的行動よりも高い期待ゴールアウトプットが得られると示された。
• フレームワークは、現在の長距離シュートを避ける戦術が、いくつかのチーム固有の文脈では非効率的であることを明らかにした。これは、一般的な戦術的常識に反する。
• モデルは、ボックス内からの少数の高品質なシュートが、常にボックス外からのより多くの的確な長距離シュートよりも優れているとは限らないことを示した。
• この手法は、現実のサッカー行動における戦略的非効率性を効果的に検出でき、スポーツアナリティクスにおける形式的意思決定モデリングの価値を実証した。