[논문 리뷰] The Player Kernel: Learning Team Strengths Based on Implicit Player Contributions

Lucas Maystre, Victor Kristof외 2명|arXiv (Cornell University)|2016. 09. 05.

Gaussian Processes and Bayesian Inference참고 문헌 7인용 수 4

한 줄 요약

이 논문은 클럽 축구 경기 데이터로부터의 지식 전이를 통해 국가대표 축구 경기 결과 예측을 향상시키는 가우시안 프로세스 기반 모델인 Player Kernel을 제안한다. 공통된 선수 라인업을 통해 팀 실력을 모델링함으로써, 국가대표 경기에서의 데이터 부족성과 노후화 문제를 해결하며, 베팅 오즈와 경쟁 가능한 성능을 달성하고 기존 엘로 평가 방식보다 일관성 있는 성능을 보인다.

ABSTRACT

In this work, we draw attention to a connection between skill-based models of game outcomes and Gaussian process classification models. The Gaussian process perspective enables a) a principled way of dealing with uncertainty and b) rich models, specified through kernel functions. Using this connection, we tackle the problem of predicting outcomes of football matches between national teams. We develop a player kernel that relates any two football matches through the players lined up on the field. This makes it possible to share knowledge gained from observing matches between clubs (available in large quantities) and matches between national teams (available only in limited quantities). We evaluate our approach on the Euro 2008, 2012 and 2016 final tournaments.

연구 동기 및 목표

• 국가대표 축구 경기 예측에서 데이터 부족성과 노후화 문제를 해결하기 위해, 매년 소수의 경기만 치르고 로스터가 자주 변경되는 상황을 대비한다.
• 다량의 클럽 축구 경기 데이터로부터의 지식을 국가대표 경기 예측 향상에 전이한다.
• 팀 실력 추정의 불확실성을 다루는 원칙적인 확률 모델을 개발한다.
• 공동 선수를 통해 경기 간 유사도를 정의하는 커널 함수를 개발하여, 서로 다른 경기 유형 간 지식 전이를 가능하게 한다.
• Euro 2008, 2012, 2016 대회에 대한 예측 성능을 다양한 기준 모델과 비교 평가한다.

제안 방법

• 모델은 쌍별 축구 경기 결과를 가우시안 프로세스 분류 문제로 설정하여, 제르멜로의 기술 기반 모델을 현대 기계학습 기법과 연결한다.
• 공동 선수 라인업을 기반으로 경기 간 유사도를 계산하는 플레이어 커널을 도입하여, 클럽 경기에서의 지식을 국가대표 경기로 전이한다.
• 커널 함수는 주전 라인업의 선수 신원을 사용해 경기 간 공분산을 정의함으로써, 서로 다른 대회 유형 간 공유 학습을 가능하게 한다.
• 모델은 홈 경기 우대 요소를 포함하며, 모든 이전 경기를 활용해 각 대회 이전에 훈련을 수행하고, GPy 라이브러리를 통해 추론을 수행한다.
• 예측은 승/무/패 결과에 대한 확률 분포로 생성되며, 로그 손실을 사용해 평가된다.
• 모델은 선수가 아닌 경기의 공간에서 작동하므로, TrueSkill와 같은 모델 대비 계산 비용을 감소시킨다.

실험 결과

연구 질문

• RQ1 클럽 축구 경기 데이터로부터의 지식은 국가대표 축구 경기 결과 예측 향상에 효과적으로 전이될 수 있는가?
• RQ2 공동 선수 라인업을 통한 팀 실력 모델링이 데이터가 부족한 국가대표 경기 환경에서 예측 성능에 어떤 영향을 미치는가?
• RQ3 플레이어 커널을 갖춘 가우시안 프로세스 프레임워크는 기존 엘로 스타일 평가 방식보다 더 나은 불확실성 정량화와 일관성을 제공하는가?
• RQ4 모델은 예측 정확도 측면에서 베팅 오즈와 고정 평가 기준 모델과 비교해 어떻게 성능을 내는가?
• RQ5 데이터의 노후화와 변화하는 팀 로스터에도 불구하고 모델은 일관된 성능을 유지할 수 있는가?

주요 결과

• Player Kernel 모델은 Euro 2008에서 로그 손실 0.969를 기록하여, 엘로 기준 모델(0.910)을 능가하고 베팅 오즈(0.979)와도 경쟁 가능했다.
• Euro 2012에서는 손실이 0.939로, 엘로 기준 모델(1.003)보다 유의미하게 뛰어나며, 오즈(0.953)와도 경쟁 수준이었다.
• Euro 2016에서는 손실이 1.067로 오즈(1.020)보다 略로 나빴지만, 엘로 기준 모델(1.102)보다는 우수했으며, 이는 대회 예측 불확실성 증가를 반영했다.
• 모델는 엘로 기준 모델보다 더 보수적이고 안정적인 예측을 지속적으로 생성했으며, 이는 온라인 업데이트로 인한 높은 변동성과 불확실성 정량화의 부재로 인한 엘로 기준 모델의 특성과 대비되었다.
• 모든 대회에서 고유한 선수 수(P)가 훈련 경기 수(N)를 초과하여, 모델이 성공적으로 해결한 데이터 부족 문제를 입증했다.
• GPy 라이브러리를 사용한 추론은 가장 큰 테스트 세트(Euro 2016)에서도 20분 이내에 수행되어, 대규모 데이터셋에서도 계산 가능성을 입증했다.