[논문 리뷰] Multiresolution Tensor Decomposition for Multiple Spatial Passing Networks

Shaobo Han, David B. Dunson|arXiv (Cornell University)|2018. 03. 03.

Tensor decomposition and applications참고 문헌 41인용 수 6

한 줄 요약

이 논문은 높은 해상도에서의 공간적 전달 네트워크 분석을 가능하게 하는 다중해상도 텐서 분해 프레임워크를 제안하며, 이를 위해 포isson 비음수 블록 텐서 분해 모델(CP-BTD)을 결합한다. 이는 낮은 질서의 네트워크 모티프를 굵기에서 세밀함으로으로 탐색할 수 있도록 한다. 2014년 FIFA 월드컵 데이터에 적용한 결과, 공간적 및 시간적 구조를 유지하면서도 팀 간 해석 가능한 전달 전략을 식별할 수 있었다.

ABSTRACT

This article is motivated by soccer positional passing networks collected across multiple games. We refer to these data as replicated spatial passing networks---to accurately model such data it is necessary to take into account the spatial positions of the passer and receiver for each passing event. This spatial registration and replicates that occur across games represent key differences with usual social network data. As a key step before investigating how the passing dynamics influence team performance, we focus on developing methods for summarizing different team's passing strategies. Our proposed approach relies on a novel multiresolution data representation framework and Poisson nonnegative block term decomposition model, which automatically produces coarse-to-fine low-rank network motifs. The proposed methods are applied to detailed passing record data collected from the 2014 FIFA World Cup.

연구 동기 및 목표

• 공간적으로 정렬된 복제된 전달 네트워크를 사용하여 축구에서 팀의 전달 전략을 요약하는 방법을 개발하기 위해.
• 기존의 네트워크 요약 방식이 공간적 위치를 忽略하고, 다이나믹하고 다중 척도의 전달 모티프를 포착하지 못하는 한계를 해결하기 위해.
• 여러 경기 동안 복제된 전달 네트워크를 모델링하면서도 공간 통합을 유지하고, 대표적인 전달 패tern을 추출하기 위해.
• 공간-시간 네트워크 데이터를 사용하여 팀 성과 예측 모델링을 지원하는 차원 축소를 가능하게 하기 위해.
• 내부 네트워크의 구조와 팀 간 공통 발생 패턴을 모두 포괄하는 생성 모델링 프레임워크를 제공하기 위해.

제안 방법

• 축구 골대를 공간 빈으로 분할함으로써 굵기에서 세밀함으로의 분석이 가능한 다중해상도 데이터 표현을 제안한다.
• 공간 빈, 팀, 경기 간의 카운트를 다변량도표(다중연속표)로 간주하여 전달 네트워크를 고차원 텐서로 모델링한다.
• 텐서에 포isson 비음수 블록 텐서 분해(CP-BTD) 모델을 적용하며, 비음수 요인을 가정하고 포isson 분포를 따르는 카운트를 가정한다.
• 잠재 성분(υ), 공간 배정 확률(ϕ), 블록 가중치(ω)를 추정하기 위해 EM 알고리즘을 사용하며, 희박성 유도 사전을 적용한다.
• 공간 확률과 블록 확률에 단형형 구조를 보장하기 위해 제약 조건을 통합하여 해석 가능한 모티프 추출을 가능하게 한다.
• 계층적 분해 전략을 통해 넓은 골대 영역에서 세밀한 영역에 이르기까지 다양한 공간 해상도에서 모티프를 추출한다.

실험 결과

연구 질문

• RQ1 여러 축구 경기 동안 복제된 공간 전달 네트워크를 공간적 및 시간적 구조를 유지하면서 어떻게 모델링할 수 있는가?
• RQ2 팀의 전달 행동에 대한 다중해상도 분석에서 어떤 낮은 질서의 해석 가능한 네트워크 모티프가 도출되는가?
• RQ3 포isson CP-BTD 모델이 팀 내 전달 역학과 팀 간 전술적 차이를 효과적으로 포착할 수 있는가?
• RQ4 粗기에서 세밀함으로의 공간 해상도는 네트워크 모티프 탐색의 해석 가능성과 예측 능력을 어떻게 향상시키는가?
• RQ5 추출된 모티프가 고위험 국제 대회에서 서로 다른 플레이 스타일을 가진 팀을 얼마나 잘 구분할 수 있는가?

주요 결과

• 제안된 다중해상도 CP-BTD 모델은 팀 간 반복되는 전달 패턴을 나타내는 해석 가능한 낮은 질서의 네트워크 모티프를 성공적으로 추출하였다.
• 이 방법은 스페인과 네덜란드처럼 알려진 전술 스타일에 부합하는 공간적 모티프—예를 들어 대각선 패assing, 횡단 전환, 중심 돌파—를 식별하였다.
• EM 알고리즘이 64경기와 평균 800건 이상의 전달 이벤트를 포함하는 2014년 FIFA 월드컵 데이터셋에서 안정적이고 효율적으로 수렴하였다.
• 분해 결과에 따르면 스페인은 중심에서의 구축 전략을 선호하고, 네덜란드는 넓은 측면 전환 전략을 중시하는 등 팀 간 모티프 분포의 차이를 보였다.
• 감독 학습 임bedding 결과는 추출된 모티프가 팀 성과 예측에 유의미하게 기여하며, 골 수가 많은 경기와 낮은 경기 간에 명확한 공간 패턴의 차이가 드러남을 보여주었다.
• 공간적 맥락과 다이나믹한 전술을 포착함으로써 표준 네트워크 요약 방식(예: 차수 중심성)보다 더 정교한 팀 간 비교를 가능하게 하여, 모델이 우수한 성능을 보였다.