[논문 리뷰] Integrating Unsupervised and Supervised Learning for the Prediction of Defensive Schemes in American football

Rouven Michels, Robert Bajons외 1명|arXiv (Cornell University)|2026. 02. 11.

Sports Performance and Training인용 수 0

한 줄 요약

이 논문은 비동질 은닉 마르코프 모델과 감독 학습(elastic net logistic regression 및 XGBoost)을 결합한 하이브리드 프레임워크를 제시하여 NFL 수비 전술(맨 vs. 존)을 프리스냅 및 모션-페이즈 추적 데이터를 사용해 예측합니다. HMM-유도 특징은 예측 성능을 향상시키고 무작위 효과 및 GCM 테스트를 통해 해석 가능한 인사이트를 제공합니다.

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.

연구 동기 및 목표

• 2024년 NFL 시즌 처음 9주간의 트래킹 데이터를 사용하여 스냅 전 방어 커버리지(맨 대 존)를 예측한다.
• 비동질 HMM을 통한 잠재 수비 배정(guarding assignments)을 감독 모델과 함께 통합한다.
• 수비 전술 분류에서 HMM 유도 특징의 예측 이점 및 해석 가능성을 평가한다.
• 수비 전술에서 팀 간 및 모션 패턴 차이를 탐구한다.
• 현대적 조건부 독립성 검정을 사용한 특징 간 연관성에 대한 통계적 추론을 제공한다.

제안 방법

• 두 계층 프레임워크(HMM 내부 모델, 감독 외부 모델)에서 비지도 및 지도 학습을 결합한다.
• 수직 수비수 궤적에서 잠재적 수비수-공격수 가딩(guardings)을 추정하기 위해 비동질 HMM을 사용하고 반응 시간 모델링을 위해 지연된 평균을 사용한다.
• HMM 유도 특징을 elastic net logistic regression 및 XGBoost 모델에 포함시켜 맨-대-존 커버리지를 예측한다.
• 로컬 디코딩 확률에서 HMM 특징을 도출하고 가장 가능성이 높은 가드 선수, 전환 횟수, 엔트로피, 플레이별 무작위 효과 등과 같은 지표로 요약한다.
• 효율적 우도 계산을 위한 forward 알고리즘과 HMM의 무작위 효과를 통합하기 위한 Laplace 근사를 사용한다.
• 정확도, AUC, 로스로그 등과 같은 지표로 모델을 평가하고 HMM 특징의 유의성을 평가하기 위해 Generalized Covariance Measure (GCM) 테스트를 사용한다.

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

실험 결과

연구 질문

• RQ1 프리스냅 및 모션-페이즈 추적 기능이 NFL 수비 커버리지(맨 대 존)를 예측하는 데 신뢰할 수 있는가?
• RQ2 잠재 수비 배정을 포착하는 HMM 유도 특징이 순수 모션 특성보다 예측 성능을 향상시키는가?
• RQ3 커버리지를 예측하는 데 있어 HMM 특징의 해석 가능성과 통계적 유의성은 무엇인가?
• RQ4 게임 간 팀 및 플레이의 차이가 수비 전술 경향에 어떤 영향을 미치는가?
• RQ5 다른 변수들에 따른 조건부 독립성 조건 하에서 HMM 특징과 커버리지 결과 간의 유의한 연관성을 보여주는가?

주요 결과

• 비지도 HMM은 잠재적 가딩 배정과 모션 중 반응 역학을 지연 매개변수(l≈4 tenths of a second)로 식별한다.
• HMM 유도 특징은 모션 이전 및 이후 특성만을 사용하는 모델보다 맨-대-존 분류의 예측 성능을 상당히 향상시킨다.
• GCM 테스트는 다른 특징들을 조건화한 후에도 HMM 특징이 커버리지 결과와 유의하게 연관되어 있음을 보여주며 특징 영향에 대한 해석 가능한 추론을 가능하게 한다.
• 무작위 효과를 포착하는 랜덤 효과는 위치, 팀, 플레이 간의 의미 있는 이질성을 포착하며 수비 특성 경향에 대한 통찰을 제공한다.
• 이 프레임워크는 모션을 이용한 팀의 행동 및 모션 패턴 분석을 통해 수비 전술을 결정하는 데 기여한다.

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;