[論文レビュー] Multiresolution Tensor Decomposition for Multiple Spatial Passing Networks

Shaobo Han, David B. Dunson|arXiv (Cornell University)|Mar 3, 2018

Tensor decomposition and applications参考文献 41被引用数 6

ひとこと要約

本稿では、サッカーにおける繰り返しのある空間的パスネットワークを分析するため、マルチスケールテンソル分解フレームワークとポisson非負値ブロック項分解モデル（CP-BTD）を組み合わせた手法を提案する。これにより、粗いスケールから細かいスケールへのネットワークモチーフの低ランク探索が可能となる。2014年FIFAワールドカップデータに適用した結果、空間的・時間的構造を保持したまま、チームごとの解釈可能なパス戦術を同定した。

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.

研究の動機と目的

• 空間的に登録された、繰り返しのあるパスネットワークを用いて、サッカーにおけるチームのパス戦術を要約する手法を開発すること。
• 空間的位置を無視する伝統的なネットワーク要約の限界を克服し、動的でマルチスケールなパスモチーフを捉えること。
• 複数の試合にわたる繰り返しのあるパスネットワークを、空間埋め込みを保持したままモデル化し、代表的なパスパターンを抽出すること。
• 空間的・時間的ネットワークデータを用いたチームパフォーマンスの予測モデリングを支援する次元削減を可能にすること。
• ネットワーク内構造とチーム間の共起関係を両方捉える生成モデルフレームワークを提供すること。

提案手法

• サッカーのフィールドを空間的ボックスに分割するマルチスケールのデータ表現を提案し、パスパターンの粗いスケールから細かいスケールへの分析を可能にする。
• パスネットワークを、空間的ボックス、チーム、試合の3つの次元におけるカウントの高次元テンソル（多次元クロス集計表）としてモデル化する。
• テンソルにポアソン非負値ブロック項分解（CP-BTD）モデルを適用し、非負の要因を仮定したポアソン分布に従うカウントを想定する。
• EMアルゴリズムを用いてパラメータを推定する：潜在的成分（υ）、空間的割り当て確率（ϕ）、ブロック重み（ω）を推定し、スパarsity誘導型の事前分布を組み込む。
• 空間的確率およびブロック確率の単体構造を保証する制約を組み込み、解釈可能なモチーフ抽出を可能にする。
• 階層的な分解戦略を採用し、広域のフィールド領域から細かいゾーンまで、複数の空間的スケールでモチーフを抽出する。

実験結果

リサーチクエスチョン

• RQ1 複数のサッカー試合にわたる空間的パスネットワークを、空間的・時間的構造を保持したままモデル化する方法は何か？
• RQ2 マルチスケール分析によって、チームのパス行動からどのような低ランクで解釈可能なネットワークモチーフが抽出されるか？
• RQ3 ポアソンCP-BTDモデルは、チーム内でのパスダイナミクスとチーム間の戦術的差異を効果的に捉えることができるか？
• RQ4 粗いスケールから細かいスケールへの空間的解像度の向上は、ネットワークモチーフ抽出の解釈可能性と予測力にどのように寄与するか？
• RQ5 抽出されたモチーフは、高強度の国際大会における異なるスタイルのチームをどれほど明確に区別できるか？

主な発見

• 提案されたマルチスケールCP-BTDモデルは、チームをまたいで繰り返し現れるパスパターンを表す解釈可能な低ランクネットワークモチーフを効果的に抽出した。
• この手法により、斜めパス、横パスの切り替え、中央突破といった明確な空間的モチーフが特定され、2014年ワールドカップにおける既知の戦術的スタイルと整合的であった。
• EMアルゴリズムは、64試合と1チームあたり平均800件以上のパスイベントを含む2014年FIFAワールドカップデータセット上で、安定的かつ効率的に収束した。
• 分解の結果、スペインは中央での構築を重視し、オランダはサイドからの転換を重視するなど、チームごとのモチーフ分布の違いが明らかになった。
• 教師あり埋め込みの結果、抽出されたモチーフはチームパフォーマンスの予測に有効であり、得点の多い試合と少ない試合で異なる空間的パターンが顕在した。
• 空間的文脈と動的戦術を捉える能力により、本手法は従来のネットワーク要約（例：次数中心性）を上回り、チーム間のより洗練された比較を可能にした。