The Value of Graph-based Encoding in NBA Salary Prediction

Cet article démontre que l'intégration d'encodages graphiques dérivés de données sur et hors terrain dans des modèles d'apprentissage supervisé améliore significativement la prédiction des salaires des joueurs de la NBA, en particulier pour les vétérans et les cas extrêmes où les approches tabulaires classiques échouent.

L'essentiel

🏀 Le Problème : Comment fixer le prix d'un joueur de basket ?

Imaginez que vous êtes le directeur d'une équipe de basket (comme les Lakers ou les Celtics). Vous devez décider combien payer un joueur pour l'année prochaine.

Traditionnellement, les analystes regardent les statistiques : combien de points il a marqués, combien de rebonds il a faits, etc. C'est comme si vous achetiez une voiture en regardant uniquement son compteur de vitesse. Ça marche bien pour les voitures neuves (les jeunes joueurs), mais pour les voitures de collection ou les modèles qui ont beaucoup roulé (les vétérans), ce n'est pas suffisant.

Le problème, c'est que le salaire d'un joueur ne dépend pas seulement de ses performances sur le terrain. Cela dépend aussi de :

• Qui il connaît (son agent, ses relations).
• Sa réputation dans le milieu.
• Sa loyauté envers l'équipe.
• Le "buzz" autour de lui.

Les méthodes classiques (les tableaux Excel) ignorent tout ça. Elles traitent chaque joueur comme un individu isolé, ce qui fait qu'elles se trompent souvent sur les joueurs très expérimentés ou ceux qui ont des salaires énormes.

💡 La Solution : Le "Réseau Social" des Joueurs

Les auteurs de cette étude (de l'université Brigham Young) ont eu une idée géniale : transformer les données en un "Graphique" (un réseau).

Imaginez que vous ne regardez plus les joueurs comme des lignes dans un tableau, mais comme des points reliés par des fils invisibles.

• Un fil relie le joueur à son équipe.
• Un fil le relie à son agent.
• Un fil le relie aux autres joueurs qu'il a côtoyés.
• Un fil le relie aux trophées qu'il a gagnés.

En utilisant une intelligence artificielle spéciale (appelée Graph Neural Network), l'ordinateur peut "sentir" la force de ces liens. C'est comme si l'IA pouvait dire : "Ce joueur a des statistiques moyennes, mais il est connecté aux meilleurs agents et il joue avec des champions depuis 10 ans. Donc, il vaut plus cher que ce que disent ses statistiques."

🔍 Ce qu'ils ont découvert (Les 3 grandes leçons)

Les chercheurs ont testé cette méthode et ont trouvé trois choses fascinantes :

1. L'effet "Maturité" : Les Vétérans vs Les Jeunes

C'est la découverte la plus importante.

• Pour les jeunes joueurs (les "Rookies") : Le réseau social ne sert à rien. Un jeune joueur vient d'arriver, il n'a pas encore de "fils" solides. Si on essaie de deviner son salaire en regardant ses relations, l'IA se perd et fait des erreurs. Ici, les statistiques classiques (âge, position au draft) fonctionnent mieux. C'est comme essayer de prédire le succès d'un nouveau restaurant en regardant ses amis : il n'en a pas encore !
• Pour les joueurs expérimentés (les "Vétérans") : C'est là que la magie opère. Ces joueurs ont accumulé du "capital social" (réputation, loyauté). L'IA qui regarde le réseau réussit à sauver des prédictions catastrophiques. Par exemple, elle a pu prédire correctement le salaire de Fred VanVleet (un joueur dont les stats ont baissé mais qui reste très cher grâce à son agent et sa réputation), là où les méthodes classiques se trompaient de 10 millions de dollars.

2. Le Piège de la "Surcharge"

Les chercheurs pensaient que plus ils ajouteraient de détails au réseau (blessures, toutes les récompenses, tous les matchs), mieux ce serait.
Faux ! C'est comme essayer de lire un livre en ayant 500 autres livres ouverts autour de vous. Ça crée du bruit.
Ils ont découvert qu'un réseau simple et propre (qui se concentre sur les relations clés comme l'équipe et l'agent) fonctionne mieux qu'un réseau géant et complexe rempli de détails inutiles. La qualité des liens est plus importante que la quantité.

3. Le "Filet de Sécurité"

L'IA basée sur les graphes agit comme un filet de sécurité.

• Quand les statistiques disent "Ce joueur ne vaut rien", le réseau dit "Attends, il a une réputation incroyable, il vaut cher".
• Elle ne remplace pas les statistiques, elle les complète pour éviter les grosses erreurs financières.

🎯 En résumé, avec une analogie culinaire

Imaginez que vous voulez évaluer la valeur d'un chef cuisinier.

• La méthode classique (Tableau) : Regarde combien de plats il a servis et combien de clients sont venus. C'est bien, mais ça ne dit pas s'il est célèbre, s'il a un bon réseau de fournisseurs, ou s'il est respecté par ses pairs.
• La méthode Graphique (Réseau) : Regarde avec qui il travaille, qui l'a formé, et qui l'invite à dîner.
  • Pour un stagiaire (Rookie), le réseau ne dit rien, il faut regarder ses plats.
  • Pour un Chef étoilé (Vétéran), le réseau révèle sa vraie valeur cachée que les statistiques ne voient pas.

Conclusion

Cette étude nous dit qu'il n'y a pas une seule méthode parfaite pour tout le monde. Pour bien prédire les salaires dans le NBA (et probablement ailleurs), il faut être hybride : utiliser les statistiques pour les jeunes, et utiliser le "réseau social" (le graphique) pour les vétérans. C'est une façon intelligente de comprendre que dans le sport (et la vie), ce que vous connaissez compte parfois autant que ce que vous savez faire.

Résumé technique

1. Problématique

L'évaluation financière des joueurs de la NBA est un défi complexe en raison de la variabilité des performances et des contextes annuels. Bien que les modèles tabulaires supervisés (comme XGBoost) fonctionnent bien pour les jeunes joueurs dont les salaires sont dictés par leur position de draft, ils échouent souvent à prédire avec précision les salaires des vétérans ou ceux situés dans la queue supérieure de la distribution.

Le problème central réside dans le fait que les modèles tabulaires traitent les joueurs comme des entités isolées, ignorant le capital relationnel (négociations d'agents, adéquation stylistique avec l'équipe, prestige au sein du réseau de talents). Les approches existantes utilisant des Graph Neural Networks (GNN) souffrent souvent de fuites d'information temporelle ou ne parviennent pas à distinguer si les gains de performance proviennent d'un raisonnement structurel réel ou simplement d'une redondance avec des métadonnées explicites (comme l'ID de l'équipe ou de l'agent).

2. Méthodologie

Les auteurs proposent un cadre d'évaluation rigoureux et une approche basée sur les graphes pour isoler la valeur prédictive de la structure du réseau.

A. Construction du Graphes de Connaissance

Un graphe de connaissances hétérogène est construit pour chaque saison (2020-2021 à 2024-2025).

• Nœuds : Joueurs, Équipes, Agents, Awards, Blessures.
• Arêtes : Relations temporelles strictement masquées pour éviter les biais de « regard vers l'avenir » (look-ahead bias). Par exemple, une arête « A GAGNÉ » ne connecte qu'aux événements passés.
• Objectif : Encoder le contexte hors terrain sans utiliser les identifiants explicites (Team/Agent IDs) dans l'entraînement des modèles de graphes.

B. Stratégie d'Évaluation : Le Cadre « Matched-Information »

Pour répondre à la question de savoir si la topologie apporte une information orthogonale, les auteurs comparent plusieurs modèles sur un jeu de données de test strict (saison 2024) :

1. Baseline Faible (Weak Baseline) : Utilise uniquement les statistiques sur le terrain et les contrôles de carrière (âge, draft).
2. Baseline Forte (Strong Baseline / Oracle) : Ajoute les IDs explicites (Équipe, Agent) aux features tabulaires. Cela sert de borne supérieure pour mesurer la valeur ajoutée des graphes.
3. Modèles de Graphes :
   • Embeddings statiques : Node2Vec, RotatE (apprennent la structure sans IDs explicites).
   • GNNs : GraphSAGE (V1), GNNs dynamiques inductifs et transductifs (V2-Ind, V2-Trans), et GNNs hétérogènes denses (V2-Full).
   • Les embeddings vectoriels des nœuds joueurs sont concaténés aux features tabulaires pour la prédiction finale.

C. Protocole d'Évaluation « Tri-State »

Au lieu de se fier uniquement à l'erreur moyenne (RMSE), les auteurs introduisent un protocole pour analyser les outliers (cas où l'erreur de la baseline est > 1M$) :

• Sauvetage (Rescue) : Le modèle de grappe réduit l'erreur de plus de 0,5M$ par rapport à la baseline.
• Neutre : Pas de changement significatif.
• Mauvaise orientation (Misguidance) : Le modèle de grappe augmente l'erreur de plus de 0,5M$.
  Cela permet de quantifier le risque et la récompense des modèles structurels.

3. Contributions Clés

1. Preuve de Proxys Haute Fidélité : Les embeddings statiques, aveugles aux IDs explicites, récupèrent une fraction substantielle du pouvoir prédictif de l'Oracle. Cela prouve que la topologie seule encode des représentations institutionnelles latentes (le « qui vous connaissez »).
2. Hypothèse de la Maturité Structurelle (Veterans vs Rookies) :
   • Vétérans : Les modèles de graphes agissent comme des filets de sécurité pour les joueurs établis, capturant le capital social accumulé que les modèles méritocratiques (basés sur les stats) manquent. Ils réduisent les erreurs de plus de 10M$ pour certains cas.
   • Rookies : Pour les nouveaux entrants (Cold-Start), les modèles de graphes échouent (R² négatif) car ils injectent du bruit dans un « vide structurel ». Les modèles tabulaires restent optimaux pour les rookies.
3. Dilution du Signal : L'ajout de graphes hétérogènes denses (avec beaucoup d'événements historiques) ne surpasse pas systématiquement les topologies plus simples. La qualité des arêtes d'affiliation est plus importante que la quantité de logs d'événements bruts.

4. Résultats Principaux

• Performance Globale : Sur l'ensemble du jeu de données, les modèles tabulaires avec IDs explicites (Strong Baseline) dominent. Les modèles de graphes n'apportent pas de gain significatif sur l'erreur moyenne globale, car les IDs explicites absorbent la plupart des primes économiques.
• Analyse des Outliers (Tri-State) :
  • Contre la Baseline Faible, les embeddings statiques (ex: RotatE) offrent un excellent compromis : 44,8 % de sauvetages contre 20,5 % de mauvaises orientations.
  • Contre la Baseline Forte, l'utilité marginale des graphes diminue, et les architectures dynamiques (V2-Ind) souffrent d'une « taxe de généralisation » (taux de mauvaise orientation > 50 %) en raison d'un retard structurel.
• Profilage des Cohortes :
  • Pour la Baseline Faible, les sauvetages concernent principalement les joueurs draftés tôt (capital de draft). Le graphe corrige la sous-estimation basée sur les stats récentes.
  • Pour la Baseline Forte, les sauvetages concernent les joueurs âgés (veterans). Le graphe capture le prestige et la loyauté à long terme que les stats récentes ne reflètent plus.
• Cas Concrets :
  • Fred VanVleet : Le modèle de grappe a correctement augmenté sa prédiction de +10M$ (sauvetage) en capturant son réseau d'agents de haut niveau, là où les stats le sous-estimaient.
  • Chris Paul : Le modèle a surestimé son salaire de -9M$ (mauvaise orientation) en s'ancrant trop sur son prestige historique, ignorant son déclin physique lié à l'âge.

5. Signification et Conclusion

Cette étude démontre que la valeur des graphes en économie du sport n'est pas universelle mais contextuelle et dépendante de la maturité du joueur.

• Implication Pratique : Les systèmes d'évaluation optimaux doivent être hybrides et « conscients de la maturité » : utiliser des modèles tabulaires pour les rookies (où le graphe est du bruit) et activer des modules de graphes pour les vétérans (où le graphe capture le capital social invisible).
• Limites : Les GNNs souffrent de lissage excessif (over-smoothing) pour les superstars très connectées et peuvent être trompés par l'inertie structurelle (surestimation des joueurs en déclin).
• Futur : Les auteurs suggèrent d'explorer l'apprentissage de la structure du graphe (GSL) pour éliminer le bruit topologique et intégrer des nœuds de contexte macroéconomique.

En résumé, la structure relationnelle (« qui vous connaissez ») fournit une utilité orthogonale cruciale aux métadonnées explicites (« qui vous êtes »), mais uniquement lorsque le joueur a accumulé suffisamment d'histoire relationnelle pour que cette structure soit significative.