[論文レビュー] DeepHoops: Evaluating Micro-Actions in Basketball Using Deep Feature Representations of Spatio-Temporal Data

Anthony Sicilia, Konstantinos Pelechrinis+1 more|arXiv (Cornell University)|Feb 21, 2019

Sports Analytics and Performance被引用数 6

ひとこと要約

DeepHoopsは、NBAの試合における空間的・時間的追跡データを活用して、リアルタイムで得点の期待値を推定する深層学習フレームワークを提案する。オフェンスのプレーを順序分類問題としてモデル化し、スクリーン、カット、パスなどのマイクロアクションを評価する。モデルは良好にキャリブレートされた確率推定値を達成し、個々のアクションがもたらす期待得点の増加分を定量化しており、アシストが72％以上の確率で期待得点を増加させることを示している。

ABSTRACT

How much is an on-ball screen worth? How much is a backdoor cut away from the ball worth? Basketball is one of a number of sports which, within the past decade, have seen an explosion in quantitative metrics and methods for evaluating players and teams. However, it is still challenging to evaluate individual off-ball events in terms of how they contribute to the success of a possession. In this study, we develop an end-to-end deep learning architecture DeepHoops to process a unique dataset composed of spatio-temporal tracking data from NBA games in order to generate a running stream of predictions on the expected points to be scored as a possession progresses. We frame the problem as a multi-class sequence classification problem in which our model estimates probabilities of terminal actions taken by players (e.g. take field goal, turnover, foul etc.) at each moment of a possession based on a sequence of ball and player court locations preceding the said moment. Each of these terminal actions is associated with an expected point value, which is used to estimate the expected points to be scored. One of the challenges associated with this problem is the high imbalance in the action classes. To solve this problem, we parameterize a downsampling scheme for the training phase. We demonstrate that DeepHoops is well-calibrated, estimating accurately the probabilities of each terminal action and we further showcase the model's capability to evaluate individual actions (potentially off-ball) within a possession that are not captured by boxscore statistics.

研究の動機と目的

• 従来のボックススコア統計では捉えきれないバスケットボールのオフェンスのマイクロアクションを評価する手法を開発すること。
• リアルタイムの空間的・時間的データを用いて、プレー中の期待得点の推移をモデル化すること。
• シュートやターンオーバーなどの終端アクション予測におけるクラスの不均衡を、パrameterized downsamplingスキームを用いて解消すること。
• パスやスクリーンなどの特定のマイクロアクションがもたらす価値を、期待得点の変化を測定することで定量化すること。
• コーチングや戦略的意思決定のためのリアルタイム分析や「もしも」シナリオ分析を可能にすること。

提案手法

• DeepHoopsは、時間窓$W$における$T$ステップにわたるプレーヤーおよびボールの位置の空間的・時間的シーケンスを処理する深層学習アーキテクチャを用いる。
• モデルは、プレー中の各時点において、終端アクション（例：シュート、ターンオーバー、ファウル）の多クラス確率分布を予測する。
• 選手の埋め込み表現を組み込むことで、選手の違いを考慮し、文脈に応じたアクション評価を可能にする。
• 期待得点-to-be-scored $\epsilon_{\pi}(\tau)$ は、終端アクションの確率とそれに対応する得点値の重み付き和として計算される。
• 訓練中に、ファウルやターンオーバーなどのレアイベントにおける高いクラスの不均衡に対処するため、パrameterized downsamplingスキームを適用する。
• フレームワークは、時間$\tau$におけるマイクロアクション$\alpha$の前後での期待得点の差分として、期待得点の増加分$\Delta \epsilon_{\pi}(\alpha, \tau)$ を計算する。

実験結果

リサーチクエスチョン

• RQ1 スクリーン、カット、パスなどのマイクロアクションが、期待得点の結果に与える影響を、定量的にどのように評価できるか。
• RQ2 空間的・時間的追跡データを用いた深層学習モデルが、リアルタイムで終端アクション（例：シュート、ターンオーバー）の確率分布を正確に推定できるか。
• RQ3 アシストは、通常のパスと比較して、期待得点をどの程度増加させるか。また、その差は統計的に有意であるか。
• RQ4 シュートファウルやターンオーバーなどのレアイベントの確率推定値が、モデルによってどの程度キャリブレートされているか。
• RQ5 DeepHoopsは、コーチングや試合中の意思決定のためのリアルタイム分析や「もしも」シナリオ分析を支援できるか。

主な発見

• DeepHoopsは、終端アクションの確率推定値を良好にキャリブレートしており、予測に対する信頼性の高い自信を示している。
• 72％以上のアシストが期待得点-to-be-scoredを増加させることから、戦術的価値と強く整合していることが示された。
• コルモゴロフ＝スミルノフ検定により、アシストと通常のパスにおける期待得点増加分の分布が等しいという帰無仮説は、有意水準0.1％で棄却された。
• ディフェンダーの接近に応じて、ファウル確率を高めるなど、シュートファウルの発生が予測可能であることがモデルによって特定された。
• リアルタイムのスナップショットでは、スクリーンやパスによるオープン3ポイントシュートの準備が進むと、期待得点が上昇していることが検出された。
• フレームワークは、高影響度と低影響度のパスを効果的に区別できており、アシストの期待得点増加分は非アシストパスよりも顕著に高いことが分かった。