Regularization in Paired Comparison Models via Pseudo-Games and Phantom Players

Cet article introduit deux stratégies d'augmentation de données — les pseudo-jeux fractionnaires et les joueurs fantômes — pour fournir une régularisation intuitive et interprétable aux modèles de comparaison par paires, stabilisant efficacement les estimations et résolvant les problèmes de non-identifiabilité tout en reproduisant fidèlement les résultats de la régularisation de Ridge standard.

L'essentiel

Imaginez que vous essayez de classer un groupe d'amis pour déterminer qui est le meilleur dans un jeu vidéo. Vous avez une liste de qui a battu qui.

Dans un monde parfait, tout le monde jouerait contre tout le monde un nombre égal de fois. Mais en réalité, certains jouent beaucoup, d'autres peu, et parfois, un joueur très fort pourrait ne jamais perdre contre un adversaire spécifique dans le petit échantillon de parties que vous avez observées.

Le Problème : Le piège du score « Parfait »
Si le Joueur A bat le Joueur B cinq fois de suite, un calcul informatique standard (appelé « maximum de vraisemblance ») conclura que le Joueur A est infiniment meilleur que le Joueur B. Il calcule que le Joueur A a une probabilité de 100 % de gagner pour toujours.

• Le problème : C'est mathématiquement « correct » pour ces cinq parties, mais c'est une terrible prédiction pour l'avenir. Nous savons que le Joueur B pourrait gagner la prochaine fois. Les mathématiques s'effondrent parce qu'elles traitent un petit échantillon comme une vérité absolue, menant à des scores « infinis » qui n'ont aucun sens.

La Solution : Ajouter des jeux « Fantômes »
L'auteur, Mark Glickman, suggère une astuce ingénieuse pour corriger cela sans utiliser de formules de pénalité complexes et difficiles à expliquer. Au lieu de changer la formule, il suggère d'ajouter de fausses données au mélange. Il appelle cela la « Régularisation par Pseudo-Observations ».

Pensez-y de cette façon : Avant même de regarder les résultats réels des matchs, vous dites à l'ordinateur : « Faisons comme si tout le monde avait joué quelques parties supplémentaires contre un adversaire "Fantôme", ou l'un contre l'autre de manière très équilibrée. »

Le papier propose deux méthodes spécifiques pour cela :

1. La méthode du « Match Nul Fractionnaire » (Pseudo-jeux)

Imaginez qu'avant le début de la saison réelle, chaque paire de joueurs ait disputé un minuscule match invisible où ils ont fait match nul.

• Comment ça marche : Vous ajoutez un tout petit peu de « crédit » pour une victoire et un tout petit peu de « crédit » pour une défaite à chaque affrontement dans vos données.
• La métaphore : C'est comme dire à l'ordinateur : « Même si le Joueur A a battu le Joueur B cinq fois, faisons comme s'ils avaient aussi joué quelques parties où ils avaient partagé les points de manière égale. »
• Le résultat : Cela empêche l'ordinateur de dire que le « Joueur A est infiniment meilleur ». Cela rapproche les scores les uns des autres, rendant la prédiction plus réaliste. C'est comme ajouter un peu de « doute » aux données pour lisser les extrêmes.

2. La méthode du « Joueur Fantôme » (Joueurs Fantômes)

Imaginez qu'il y a un joueur mystérieux et invisible dans la ligue (appelons-le « Mr. Zéro ») qui est exactement moyen. Il ne se fatigue jamais, n'a jamais de chance, et son niveau de compétence est fixé à zéro.

• Comment ça marche : Vous faites comme si chaque vrai joueur avait joué un certain nombre de matchs contre Mr. Zéro. Vous dites à l'ordinateur que chaque joueur a gagné la moitié du temps et perdu l'autre moitié du temps contre Mr. Zéro.
• La métaphore : C'est comme ancrer un bateau. Si le bateau (le score du joueur) tente de dériver trop loin (devenir trop élevé ou trop bas), l'ancre (Mr. Zéro) le ramène vers le milieu.
• Le résultat : Cela permet de maintenir les scores de chacun à un niveau raisonnable. Même si un joueur gagne 10 matchs de suite contre des adversaires faibles, le fait qu'il ait « perdu » la moitié de ses matchs contre le Joueur Fantôme moyen empêche son score de monter en flèche vers l'infini.

Pourquoi c'est génial

Le papier montre que ces deux astuces de « fausses données » font exactement le même travail qu'une technique mathématique très populaire et complexe appelée « Régularisation de Ridge » (qui implique généralement une formule de pénalité intimidante).

• L'avantage : Au lieu de dire : « Nous avons appliqué une pénalité de 0,5 à la mathématique », vous pouvez dire : « Nous avons ajouté 40 faux matchs contre un adversaire moyen. »
• La traduction : Cela rend les mathématiques beaucoup plus faciles à comprendre pour les gens ordinaires (comme les analystes sportifs ou les gestionnaires d'entreprise). Ils peuvent ajuster le système en posant des questions simples : « Combien de faux matchs devrions-nous ajouter ? » ou « Quel degré de confiance devons-nous accorder au joueur moyen ? »

L'exemple du Baseball

L'auteur a testé cela sur la saison 2025 de la Ligue Majeure de Baseball (MLB).

• Sans la correction : Comme le calendrier était déséquilibré, les estimations de la meilleure et de la pire équipe étaient trop optimistes et exagérées. Bien que les scores soient restés finis (car chaque équipe avait des victoires et des défaites), l'écart entre les équipes semblait beaucoup trop grand et peu réaliste.
• Avec la correction : L'ordinateur a donné des scores plus raisonnables aux équipes. Il savait toujours que les meilleures équipes étaient bonnes et les moins bonnes étaient mauvaises, mais il n'exagérait pas l'écart. La méthode du « Joueur Fantôme » a si bien fonctionné qu'elle a produit des résultats presque identiques à la méthode mathématique complexe de « Ridge », mais elle est beaucoup plus facile à expliquer.

Résumé

Le papier soutient que, lorsque l'on classe des choses basées sur des victoires et des défaites, on peut éviter les scores aberrants et infinis en faisant semblant que tout le monde a disputé quelques matchs supplémentaires et équilibrés.

• Méthode A : Faire comme si tout le monde avait fait un petit match nul contre tout le monde.
• Méthode B : Faire comme si tout le monde avait joué un certain nombre de matchs contre un « fantôme » moyen.

Les deux méthodes maintiennent les mathématiques simples, les prédictions réalistes et les résultats faciles à expliquer à quiconque veut simplement savoir qui est réellement le meilleur.

Résumé technique

Résumé technique : Régularisation dans les modèles de comparaisons par paires via des pseudo-jeux et des joueurs fantômes

Énoncé du problème
Les modèles de comparaisons par paires, tels que les modèles de Bradley-Terry et de Thurstone-Mosteller, sont des outils standards pour estimer les capacités latentes ou les préférences à partir de résultats binaires. Cependant, l'estimation par maximum de vraisemblance ordinaire (MLE) dans ces modèles fait face à une instabilité significative lorsque le graphe de comparaison est déconnecté ou presque séparé. Dans ces cas — fréquents dans les sports avec des calendriers incomplets, les études de préférences éparses ou les systèmes de classement en ligne avec de nouveaux entrants — la vraisemblance peut être maximisée uniquement sur la frontière, entraînant des estimations de capacité infinies (par exemple, $+\infty$ et $-\infty$). Bien que la régularisation de type « ridge » (en crête) remédie à cela en contractant les paramètres vers un centre commun, elle occulte l'interprétation intuitive de la vraisemblance qui rend ces modèles attractifs pour les praticiens. De plus, les pénalités de type « ridge » nécessitent des contraintes linéaires explicites pour résoudre la non-identifiabilité de la localisation.

Méthodologie
L'article propose deux perspectives d'augmentation de données pour la régularisation qui préservent la forme familière de la vraisemblance tout en produisant des estimations finies et contractées. Les deux méthodes permettent une mise en œuvre via des logiciels de régression binomiale standard (par exemple, glm en R).

1. Régularisation par pseudo-jeux :
   Cette approche ajoute des « pseudo-jeux » fractionnaires aux données observées. Pour chaque paire non ordonnée de compétiteurs $(i, j)$, la méthode ajoute $\delta$ victoires fractionnaires et $\delta$ défaites fractionnaires aux deux joueurs.

• Mécanisme : La log-vraisemblance augmentée inclut un terme de pénalité proportionnel à $\sum \log\{p_{ij}(1-p_{ij})\}$. Ce terme est maximisé lorsque $p_{ij} = 1/2$ (capacités égales), ce qui contracte les différences de capacité vers zéro.
• Propriétés : Elle agit sur les différences de capacités par paires. Elle ne résout pas la non-identifiabilité de la localisation ; une contrainte linéaire (par exemple, $\sum \theta_j = 0$) reste nécessaire.
• Lien avec le « ridge » : Sous le lien logit de Bradley-Terry, un développement de Taylor au voisinage de zéro montre que cette pénalité se comporte localement comme une pénalité de type « ridge » avec un coefficient $\lambda \approx \delta J / 4$.

2. Régularisation par joueur fantôme :
   Cette approche introduit un compétiteur « fantôme » artificiel (indexé 0) ayant une force connue et fixe $\theta_0 = 0$. Chaque compétiteur réel se voit attribuer une victoire et une défaite pseudo-pondérées contre ce joueur fantôme, avec un poids $\rho$.

• Mécanisme : La log-vraisemblance augmentée ajoute un terme $\rho \sum [\log F(\theta_j) + \log\{1 - F(\theta_j)\}]$. Cette pénalité est maximisée à $\theta_j = 0$, contractant les capacités individuelles vers la force fixe du joueur fantôme.
• Propriétés : Elle agit directement sur les paramètres individuels $\theta_j$ plutôt que sur les simples différences. Crucialement, elle résout la non-identifiabilité de la localisation sans nécessiter de contrainte linéaire explicite, car le joueur fantôme ancre l'échelle.
• Lien avec le « ridge » : Pour le modèle de Bradley-Terry, cela est localement équivalent à une régularisation de type « ridge » avec $\lambda \approx \rho / 4$. Cependant, contrairement à la pénalité quadratique du « ridge », la pénalité du joueur fantôme possède des queues approximativement linéaires pour de grandes valeurs de $|\theta_j|$.

Réglage et inférence
Les paramètres de réglage $\delta$ et $\rho$ peuvent être sélectionnés via l'élicitation d'experts ou la validation croisée.

• Élicitation : $\delta$ peut être calibré en demandant quelle probabilité $q$ un analyste attribue à une victoire future étant donné une seule victoire observée (sans défaites) ; $\delta = (1-q)/(2q-1)$. $\rho$ est interprété comme le nombre de victoires/défaites pseudo-pondérées contre un adversaire de référence.
• Validation croisée : La validation croisée $K$-fold maximise la log-vraisemblance de l'échantillon test. L'article note que les erreurs types de l'ajustement final doivent être traitées comme conditionnelles au paramètre de réglage sélectionné ; le bootstrapping de la procédure complète est recommandé pour une quantification appropriée de l'incertitude.
• Interprétation bayésienne : L'article note que la régularisation par joueur fantôme correspond à un estimateur MAP (Maximum A Posteriori) sous des a priori de contraction indépendants avec des densités proportionnelles à $[F(\theta_j)(1-F(\theta_j))]^\rho$.

Résultats : Application à la MLB 2025
Les méthodes ont été appliquées à la saison régulière de la MLB 2025 (30 équipes, 2 430 matchs). Bien que le graphe de données soit connecté (permettant une MLE ordinaire), le calendrier est déséquilibré, créant des estimations extrêmes potentielles.

• Comparaison : Les auteurs ont comparé les modèles Bradley-Terry ordinaire, les modèles régularisés par « ridge », les pseudo-jeux et les joueurs fantômes.
• Constats :
  • Les estimations ordinaires présentaient l'écart le plus large (par exemple, les Colorado Rockies à $-0,979$).
  • Les méthodes régularisées ont considérablement contracté ces extrêmes (par exemple, les estimations des Rockies variaient de $-0,580$à$-0,643$).
  • Les estimations par joueur fantôme étaient particulièrement proches des estimations de type « ridge », avec une réduction de l'écart entre le haut et le bas d'environ un tiers à deux cinquièmes.
  • La méthode du joueur fantôme a réussi à reproduire les estimations de force régularisées par « ridge » tout en conservant une représentation intuitive par augmentation de données.

Contributions clés et importance
La contribution principale de l'article est de démontrer que de simples constructions d'augmentation de données (pseudo-jeux et joueurs fantômes) produisent des pénalités de régularisation interprétables pour les modèles de comparaisons par paires.

• Interprétabilité : Contrairement aux pénalités de type « ridge » abstraites, ces méthodes permettent aux praticiens de discuter de la régularisation en termes de « jeux fractionnaires » ou de « comparaisons à un adversaire de référence ».
• Mise en œuvre : Les méthodes exploitent les logiciels de modèles linéaires généralisés (GLM) standards, ce qui les rend accessibles aux analystes appliqués sans nécessiter de code d'optimisation personnalisé.
• Identifiabilité : La construction du joueur fantôme offre un avantage distinct en résolvant naturellement la non-identifiabilité de la localisation, éliminant ainsi le besoin de contraintes linéaires explicites.
• Pont : Ce travail jette un pont entre l'optimisation pénalisée et la modélisation basée sur la vraisemblance, en présentant la régularisation comme l'ajout d'informations contrôlées et interprétables plutôt que comme une simple pénalité mathématique.

L'article conclut que bien que ces méthodes aient des limites (par exemple, l'instabilité potentielle de la validation croisée dans des données très éparses), elles fournissent des alternatives robustes et intuitives à la régularisation de type « ridge » standard, particulièrement lorsque la structure du graphe de comparaison suggère des types spécifiques d'instabilité.