[論文レビュー] The Player Kernel: Learning Team Strengths Based on Implicit Player Contributions

Lucas Maystre, Victor Kristof+2 more|arXiv (Cornell University)|Sep 5, 2016

Gaussian Processes and Bayesian Inference参考文献 7被引用数 4

ひとこと要約

本論文では、クラブチームの試合から得られる知識を移転することで、国際代表チームのサッカー試合結果の予測を改善するガウス過程ベースのモデル、Player Kernelを提案する。チームの強さを共有される選手のスターティングメンバーを通じてモデル化することで、国際代表チームの試合におけるデータの不足と陳腐化という問題に、豊富なクラブデータを活用して対処し、ベッティングオッズと同等の性能を達成するとともに、伝統的なEloレーティングよりも一貫性に優れた結果を示した。

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.

研究の動機と目的

• 国際代表チームのサッカー試合予測におけるデータの不足と陳腐化という問題に対処すること。国際代表チームは年間を通じて試合を数える程度であり、ロスターの変更も頻繁に起こる。
• 豊富なクラブチームのサッカー試合データから知識を移転し、国際代表チームの試合予測を改善すること。
• 不確実性の推定を適切に扱える、整合性のある確率的モデルの開発。
• 共有される選手を通じて試合を関連付けるカーネル関数の開発。これにより、異なる種類の試合間で知識を移転可能となる。
• 複数のベースラインと比較して、Euro 2008、2012、2016の大会におけるモデルの予測性能を評価すること。

提案手法

• モデルは、ペアワイズのサッカー試合結果をガウス過程分類問題として定式化し、ゼルメールのスキルベースのモデルと現代の機械学習を結びつける。
• 選手のスターティングメンバーの重複に基づいて試合間の類似度を計算するプレーヤーカーネルを導入し、クラブ試合から国際代表試合への知識移転を可能にする。
• カーネル関数は、スターティングメンバーに含まれる選手の識別子を用いて、試合間の共分散を定義し、異なる競技種別間での共有学習を可能にする。
• ホームアドバンテージ要因を組み込み、各大会の前に行われた全試合を用いてトレーニングを行い、推論はGPyライブラリを用いて実行する。
• 予測は、勝ち／引き分け／負けの結果に関する確率分布として生成され、対数損失を用いて評価される。
• モデルはプレーヤーではなく試合の空間で動作するため、TrueSkillのようなモデルと比較して計算コストを低減できる。

実験結果

リサーチクエスチョン

• RQ1 クラブチームのサッカー試合から得られる知識は、国際代表チームのサッカー試合結果の予測を改善するために効果的に転送可能か？
• RQ2 共有される選手のスターティングメンバーを通じてチームの強さをモデル化することで、データが乏しい国際代表チームの試合環境において予測性能にどのような影響を与えるか？
• RQ3 プレーヤーカーネルを備えたガウス過程フレームワークは、伝統的なEloスタイルのレーティングと比較して、より優れた不確実性の定量化と一貫性を提供するか？
• RQ4 複数の大会を通じて、ベッティングオッズや固定レーティングのベースラインと比較して、モデルの予測精度はどの程度か？
• RQ5 データの陳腐化や変化するチームロスターにもかかわらず、モデルは一貫した性能を維持できるか？

主な発見

• Euro 2008では、Player Kernelモデルが対数損失0.969を達成し、Eloベースライン（0.910）を上回り、ベッティングオッズ（0.979）と比較しても優れた性能を示した。
• Euro 2012では、モデルの損失は0.939であり、Eloベースライン（1.003）を顕著に上回り、オッズ（0.953）と同等の性能を示した。
• Euro 2016では、モデルの損失は1.067であり、オッズ（1.020）よりわずかに劣ったが、Eloベースライン（1.102）を上回り、大会全体の不確実性の増加を反映した。
• Eloベースラインがオンライン更新と不確実性の定量化の欠如により高い変動を示すのに対し、モデルは一貫性があり、より慎重な予測を常に生成した。
• すべての大会において、異なる選手の数（P）がトレーニング試合の数（N）を上回っており、モデルが効果的に解決したデータの不足という課題を示している。
• 最大のテストセット（Euro 2016）において、GPyライブラリを用いた推論は20分未満で実行され、膨大なデータセットにもかかわらず計算上の実行可能性を示した。