💻 computer science

When Lifts Predict Lifts: Leakage-Controlled Strength Prediction and a Closed-Form Leakage Diagnostic

Cet article expose comment les modèles d'apprentissage automatique destinés à prédire les charges maximales des athlètes souffrent d'une inflation significative de la précision due à la fuite de données de levées concomitantes, et propose un diagnostic sous forme de solution analytique pour quantifier la sévérité de cette fuite ainsi qu'un modèle génératif rentable qui fournit des prédictions calibrées et physiologiquement cohérentes sans dépendre des données de levées sœurs.

Auteurs originaux : Yasin Alipour, Reza Pourgholi

Publié 2026-09-24

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yasin Alipour, Reza Pourgholi

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde des sports de force, de la plateforme olympique à la salle de sport locale, savoir combien un athète peut soulever est le fondement de tout. Les entraîneurs utilisent ces chiffres pour concevoir des programmes d'entraînement, suivre les progrès et décider si un mouvement est sûr à tenter. Idéalement, un entraîneur devrait mesurer chaque levée qu'un athlète peut effectuer — l'épaulé-jeté, l'arraché, le squat arrière et le soulevé de terre — pour obtenir une image complète. Mais tout mesurer est lent, épuisant et souvent impossible pour un nouvel athlète qui n'a jamais concouru auparavant. Cela a conduit à un intérêt croissant pour l'utilisation de programmes informatiques afin de prédire ces levées en se basant sur des faits simples comme l'âge, le sexe, la taille et le poids corporel. L'espoir est qu'une machine puisse regarder le profil de base d'une personne et vous dire exactement ce qu'elle peut soulever, économisant ainsi du temps et des efforts.

Pendant des années, des modèles informatiques ont prétendu le faire avec une précision stupéfiante, obtenant souvent les bons chiffres plus de 90 pour cent du temps. Cependant, une nouvelle étude suggère que ces scores élevés sont trompeurs. Les chercheurs ont découvert que les modèles n'apprenaient pas réellement à prédire la force à partir du corps d'une personne ; au lieu de cela, ils s'appuyaient sur d'autres levées connues comme indices pour deviner la manquante. Si un modèle sait de combien quelqu'un peut faire un squat, il peut deviner son soulevé de terre avec une précision quasi parfaite car les deux mouvements sont étroitement liés. C'est comme essayer de deviner la taille d'une personne en demandant à quel point elle est grande ; la réponse est facile, mais elle ne vous apprend rien de nouveau. Le véritable défi, celui auquel les entraîneurs sont réellement confrontés, est de prédire un profil complet pour un étranger qui n'a encore jamais soulevé de poids, en utilisant uniquement son âge et sa morphologie.

Yasin Alipour et Reza Pourgholi, chercheurs à l'Université de Damghan en Iran, ont entrepris d'exposer cette faille et de construire une meilleure façon de prédire la force. Ils ont commencé par prendre une vaste base de données publique d'athlètes de CrossFit et en reproduisant les résultats de haute précision rapportés par des études antérieures. Lorsqu'ils ont permis à leurs modèles informatiques de voir les autres levées d'un athlète lors d'une prédiction, les modèles ont fonctionné brillamment, égalant la précision de 93 pour cent observée dans les travaux précédents. Mais ensuite, ils ont changé les règles. Ils ont supprimé les autres levées des données d'entrée, forçant le modèle à prédire une levée en utilisant uniquement l'âge, le sexe, la taille et le poids de l'athlète. Les résultats se sont effondrés. La précision a chuté de manière significative, passant de la fin des 90 pour cent à environ 65 pour cent. Cette chute spectaculaire a révélé que le succès précédent était largement une illusion créée par une fuite de données, où la réponse était cachée à l'intérieur de la question.

Les chercheurs ont réalisé que le problème honnête est bien plus difficile que celui résolu en laboratoire. Prédire une levée pour un nouvel athète sans aucun historique est une tâche difficile, et les meilleurs programmes informatiques actuels ne réussissent qu'environ 65 pour cent du temps. Ce n'est pas un échec de la technologie, mais un reflet de la réalité : la taille du corps et l'âge d'une personne ne peuvent vous dire qu'une partie de sa force. L'étude montre que si les machines peuvent filtrer les athlètes et donner un point de départ approximatif, elles ne peuvent pas remplacer la mesure réelle d'une levée. Les informations supplémentaires fournies par des algorithmes complexes n'ajoutent qu'une faible valeur par rapport à un calcul simple basé sur le sexe et le poids corporel.

Pour corriger la confusion dans le domaine, l'équipe a développé un nouvel outil pour détecter ce genre de dépendance avant qu'il ne se produise. Ils ont créé un score simple qui peut analyser un ensemble de données et prédire de combien la précision sera perdue si les cibles « sœurs » — comme les autres levées — sont supprimées. Ce score fonctionne en analysant comment les différentes levées sont liées entre elles après avoir pris en compte les faits corporels de base. Si le score est élevé, il avertit que l'ensemble de données est probablement gonflé par une fuite de données. Les chercheurs ont testé ce diagnostic sur des données de force et ont constaté qu'il fonctionnait parfaitement. Ils l'ont également testé sur des domaines complètement différents, tels que la prédiction de la résistance de mélanges de béton et la consommation d'énergie des bâtiments. Dans les cas où les cibles étaient réellement liées, comme les différentes levées dans une salle de sport, le score a correctement prédit une forte baisse d'exactitude. Dans les cas où les cibles étaient déjà déterminées par les données d'entrée, comme les besoins de chauffage et de refroidissement d'un bâtiment, le score a correctement prédit presque aucune baisse, prouvant que l'outil peut distinguer la prédiction réelle de la fuite de données.

Au-delà de la simple exposition du problème, les chercheurs ont construit un nouveau type de modèle conçu pour gérer la tâche honnête et difficile de la prédiction de départ à froid (cold-start). Au lieu de traiter chaque levée comme un problème distinct, ils ont construit un système unique qui considère la force comme une combinaison de capacité globale et d'un style spécifique. Imaginez la force comme un bouton de volume qui contrôle la force générale d'un athlète, et un ensemble de curseurs qui déterminent comment cette force est répartie entre les différents mouvements. Ce système peut prendre quelques levées connues et combler les lacunes pour les inconnues, ou prédire un profil complet pour un nouvel athète. Il y parvient en une fraction du temps et du coût des anciennes méthodes plus complexes, tout en fournissant une mesure d'incertitude afin que les entraîneurs sachent à quel point ils peuvent faire confiance au chiffre.

L'équipe a validé ces découvertes à grande échelle, testant ses méthodes sur près de 300 000 haltérophiles compétitifs provenant d'une autre base de données. Les résultats ont tenu bon : la haute précision des anciens modèles a disparu lorsque les autres levées ont été supprimées, et le nouvel outil de diagnostic a correctement identifié la fuite. Ils ont également montré que la relation entre les levées est cohérente à travers différentes populations. Un modèle entraîné sur des athlètes de CrossFit récréatifs a pu prédire avec succès la relation entre les levées pour des haltérophiles d'élite, même si ces derniers étaient beaucoup plus forts. Cela suggère que si les chiffres absolus changent, la structure sous-jacente de la répartition de la force reste la même.

L'étude conclut par un message clair pour les entraîneurs et les scientifiques des données : les chiffres sensationnels de la prédiction de la force sont souvent trop beaux pour être vrais. Lorsqu'un modèle utilise les autres levées d'un athlète pour en deviner une nouvelle, il ne démontre pas d'intelligence ; il exploite simplement une relation physique connue. La véritable valeur de l'apprentissage automatique dans ce domaine réside dans sa capacité à fournir un point de départ raisonnable pour les nouveaux athlètes et à combler les données manquantes lorsque certaines levées sont connues, tout en admettant honnêtement les limites de sa certitude. En séparant les prédictions faciles et fuyantes des prédictions difficiles et honnêtes, les chercheurs ont tracé une voie plus claire pour utiliser les données afin de comprendre la force humaine.

Résumé Technique : Quand les levées prédisent les levées : Prédiction de la force contrôlée par fuite et un diagnostic de fuite en forme fermée

Énoncé du Problème

Les modèles d'apprentissage automatique appliqués aux sports de force rapportent souvent une précision élevée (par exemple, $R^2 \approx 0,93$ ) pour prédire les levées maximales d'un athète. Cependant, l'article soutient que cette précision est largement un artefact de la fuite de levées concomitantes (concurrent-lift leakage). Dans les configurations standard de type « démarrage à chaud » (warm-start), les modèles prédisent une levée (ex: l'épaulé-jeté) en utilisant les autres levées connues de l'athlète (ex: squat, soulevé de terre, culbute) comme entrées. Puisque ces levées partagent un facteur de force latent commun, la prédiction devient une interpolation quasi déterministe plutôt qu'une véritable généralisation.

Le défi pratique et non résolu est le cadre de « démarrage à froid » (cold-start) : prédire l'ensemble du profil de levée d'un athète en utilisant uniquement des descripteurs simples (âge, sexe, poids, taille, expérience d'entraînement) avant que toute histoire de levée n'existe. Dans ce scénario réaliste, les précisions rapportées chutent considérablement, pourtant peu de méthodes traitent la version conjointe, calibrée et à l'échelle de la population de ce problème. De plus, il manque des outils pour diagnostiquer la part d'exactitude qu'un ensemble de cibles multi-objectifs perdra lorsque des cibles « sœurs » (autres levées) sont retirées.

Méthodologie

1. Diagnostic de Fuite : Le Score LFLS

Les auteurs proposent un score de sévérité de fuite en forme fermée (LFLS) pour prédire la perte de précision lorsque les cibles sœurs sont supprimées, sans avoir à entraîner le modèle coûteux utilisant les cibles sœurs.

Calcul : Le score est dérivé de la matrice de covariance résiduelle ( $\Sigma$ ) d'un modèle peu coûteux basé uniquement sur les descripteurs.
Logique : Il mesure la fraction de la variance d'une cible récupérable à partir des cibles sœurs qui est portée par le facteur latent dominant partagé.
Formule : Pour une cible $k$ , le score est défini comme la différence entre la variance récupérable par les cibles sœurs utilisant la pleine covariance ( $R^2_{sib}$ ) et la variance récupérable après suppression du facteur de rang un dominant ( $R^2_{sib,0}$ ).
$LFLS(k) = R^2_{sib}(k; \Sigma) - R^2_{sib}(k; \Sigma - \lambda_1\lambda_1^\top)$
Prédiction : La perte de précision prédite est calculée comme $LFLS(k) \times (1 - R^2_{cold})$ .

2. Modèle Génératif : Capacité et Style

L'article reformule le profilage de la force comme un modèle génératif unique basé sur un cadre d'analyse factorielle (équivalent à l'ACP probabiliste) dans l'espace logarithmique :
$z = m(x) + \Lambda u + \epsilon$

$m(x)$ : Une moyenne conditionnée par les descripteurs, ajustée à l'aide d'un régresseur à gradient boosté puissant.
$\Lambda u$ : Une structure de facteurs latents où $u$ représente une capacité scalaire (magnitude globale de la force) et potentiellement des facteurs de style (distribution de la force à travers les levées).
$\epsilon$ : Bruit résiduel diagonal.
Prédiction : Comme le modèle est gaussien, la distribution prédictive pour n'importe quel sous-ensemble de levées non observées, étant donné n'importe quel sous-ensemble observé, possède une solution en forme fermée. Cela permet au modèle de fonctionner comme un ajustement unique pour le démarrage à froid (aucune levée observée), le démarrage à chaud (toutes les levées observées) et tout sous-ensemble intermédiaire.

3. Calibrage et Ordonnancement

Incertitude Calibrée : Le modèle utilise la prédiction conforme scindée (split conformal prediction) pour générer des intervalles de prédiction avec une couverture marginale garantie, indépendamment des estimations de variance interne du modèle.
Ordre Physiologique : Les profils prédits sont projetés sur l'ordre de levée de la population via une régression isotonique pour garantir la cohérence physiologique (par exemple, s'assurer qu'une prédiction de soulevé de terre n'est pas inférieure à une prédiction de squat si la tendance de la population le dicte), bien que les auteurs notent que le modèle de base viole rarement cela naturellement.

Résultats Clés

1. L'« Effondrement de la Fuite »

En reproduisant des travaux antérieurs sur le jeu de données CrossFit ( $N=51\,161$ ), les auteurs confirment que les modèles de démarrage à chaud atteignent un $R^2$ élevé (0,90–0,93). Cependant, lorsque les levées concomitantes sont retirées (démarrage à froid), l'exactitude s'effondre d'environ 0,16 à 0,26, faisant chuter le $R^2$ à environ 0,64–0,68. Cet effet est reproduit sur un ensemble de données plus large et vérifié par la compétition de 295 781 haltérophiles issus d'OpenPowerlifting, confirmant que ce résultat n'est pas un artefact de données auto-déclarées.

2. Exactitude du Diagnostic

Le score LFLS prédit avec succès la perte de précision mesurée entre le mode chaud et le mode froid dans plusieurs domaines :

Force : Corrélation $r=0,94$ entre le LFLS mis à l'échelle et la perte mesurée.
Mélanges de Béton : Corrélation $r=0,998$ .
Énergie des Bâtiments : A correctement identifié une fuite quasi nulle (car les descripteurs fixent déjà les cibles).
Notes Scolaires : Performance la plus faible ( $r=0,71$ ), indiquant que le diagnostic est un outil de preuve plutôt qu'une loi universelle.

3. Performance du Démarrage à Froid

Sur la tâche honnête de démarrage à froid, le modèle proposé atteint un $R^2$ moyen de 0,656, égalant statistiquement des bases solides comme CatBoost (0,654) et LightGBM (0,646). L'article souligne que l'exactitude ponctuelle n'est pas la contribution primaire ; la valeur réside plutôt dans la capacité du modèle à gérer la prédiction de sous-ensembles et à fournir une incertitude calibrée.

4. Efficacité de la Prédiction de Sous-ensembles

Lors de la prédiction de levées inconnues à partir d'un ensemble partiel de levées observées :

Le modèle égale les performances d'un processus gaussien (GP) corégionalisé (la méthode classique pour cette tâche) à travers tous les niveaux d'observation.
Efficacité : Le modèle proposé est nettement plus rapide, utilisant une covariance en forme fermée ajustée sur une moyenne par gradient boosté, alors que le GP nécessite l'optimisation de noyaux et de points d'induction (environ 30 secondes par division contre des minutes pour la méthode proposée).
Performance : Le modèle surpasse les conditionneurs par gradient boosté dans les régimes à faible observation (1–2 levées observées) et égale le GP dans les régimes à haute observation.

5. Interprétabilité

Dans un profil à six mesures (ajoutant les tractions et une mesure de conditionnement), un second facteur latent devient identifiable. Ce facteur charge près de zéro sur les levées de barre et positivement sur les mesures de conditionnement, représentant un axe force-versus-conditionnement. L'inclusion de ce facteur améliore la précision de la prédiction de sous-ensembles.

Signification et Revendications

L'article revendique trois contributions principales :

Correction de l'Exactitude Rapportée : Il démontre qu'une exactitude élevée dans la prédiction de la force est souvent un artefact de fuite, et que le problème « honnête » du démarrage à froid est nettement plus difficile ( $R^2 \approx 0,65$ ).
Un Outil de Diagnostic : Il introduit le LFLS, un score en forme fermée qui prédit la perte de précision due à la fuite des cibles sœurs avant d'entraîner des modèles complexes, validé dans les domaines de la force, du béton et de l'énergie.
Un Cadre Génératif Unifié : Il fournit un modèle unique et efficace sur le plan informatique qui gère la prédiction de démarrage à froid, le conditionnement de n'importe quel sous-ensemble, et l'incertitude calibrée, égalant les performances des processus gausiens coûteux tout en maintenant l'ordre physiologique.

Les auteurs restent modestes quant à l'utilité pratique des prédictions de démarrage à froid, notant qu'elles n'apportent qu'une valeur limitée par rapport à une simple gestion démographique (sexe et poids) et doivent être vues comme des outils de dépistage et d'initialisation plutôt que comme des remplacements de la mesure directe. Ce travail est observationnel et transversal, ne faisant aucune affirmation causale.