🤖 machine learning

Isotonic Bradley-Terry Model for Paired Comparison Data

Questo articolo propone un Modello di Bradley-Terry Isotonico che apprende alternativamente i parametri di tasso e una funzione di legame inversa tramite metodi di sottogradiente e di regressione isotonica per affrontare la misspecificazione del modello nei dati di confronto a coppie, migliorando così la previsione della probabilità di vittoria e le prestazioni del ranking dei giocatori attraverso dataset sportivi sintetici e reali.

Autori originali: Ryoya Yamasaki

Pubblicato 2026-08-04

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Ryoya Yamasaki

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un appassionato di sport che cerca di capire chi sia il miglior giocatore al mondo. Hai una lista enorme di risultati di partite: chi ha battuto chi, chi ha pareggiato e chi ha perso. Ma ecco la parte complicata: non puoi limitarti a guardare il numero di vittorie. Un giocatore potrebbe aver battuto un avversario debole dieci volte, ma aver perso contro uno forte. Per dare un senso a tutto questo, gli scienziati usano uno strumento matematico chiamato modello di Bradley-Terry. Pensa a questo modello come a un "calcolatore di forza". Assegna un numero nascosto (un "punteggio di forza") a ogni giocatore. Se il Giocatore A ha un punteggio più alto del Giocatore B, il modello prevede che A vincerà. Per trasformare la differenza tra questi due punteggi in una reale probabilità di vittoria (come ad esempio "60% di probabilità che A vinca"), il modello utilizza una forma specifica, o "curva", chiamata funzione di legame inversa.

Per decenni, i ricercatori hanno dovuto indovinare quale fosse la curva giusta. Scelgono una forma standard — come una curva a S fluida (logistica) o una curva a campana (gaussiana) — e si attengono ad essa, sperando che si adatti ai dati. Il problema è che la realtà è disordinata. A volte i dati non si adattano perfettamente alla curva pre-scelta, portando a previsioni errate. Questo articolo pone una domanda semplice ma audace: E se non forzassimo i dati dentro una curva pre-confezionata? E se lasciassimo che i dati ci dicessero come dovrebbe essere la curva? L'autore propone un nuovo metodo che apprende la forma della curva direttamente dai risultati, invece di indovinarla in precedenza.

Il Problema: La trappola del "Modello Unico per Tutti"

Nel mondo dei confronti a coppie — che si tratti di grandi maestri di scacchi, professionisti del tennis o squadre di calcio — spesso vogliamo fare due cose: prevedere le probabilità di una vittoria tra due giocatori che non si sono ancora affrontati e classificare tutti dal più forte al più debole. Il modo tradizionale per farlo è il modello di Bradley-Terry.

Immagina il modello come una macchina con due parti. La prima parte apprende un "punteggio di forza" per ogni giocatore. La seconda parte prende la differenza tra i punteggi di due giocatori e la fa passare attraverso un "filtro" fisso (la funzione di legame inverso) per restituire una probabilità di vittoria. Per anni, gli scienziati hanno dovuto scegliere questo filtro in anticipo. Potrebbero dire: "Usiamo il filtro logistico", oppure "Usiamo il filtro gaussiano".

L'autore di questo articolo evidenzia un difetto in questo approccio: l'errata specificazione del modello (model misspecification). È come cercare di infilare un perno quadrato in un buco rotondo. Se il mondo reale si comporta come una funzione a gradini e irregolare, ma tu lo costringi attraverso una curva a S fluida, le tue previsioni saranno sbagliate. L'articolo sostiene che, bloccando una specifica forma di curva prima di guardare i dati, potremmo gettare via informazioni preziose.

La Soluzione: Il Modello "Mutaforma"

Per risolvere questo problema, l'autore introduce il Modello di Bradley-Terry Isotonico. Invece di scegliere una curva fissa, lascia che i dati costruiscano la propria curva, pezzo dopo pezzo.

Ecco come funziona, usando un'analogia giocosa: Immagina di cercare di disegnare la mappa di un terreno collinare basandoti su pochi rapporti meteorologici sparsi.

Il Vecchio Modo: Decidi in anticipo che il terreno deve essere una parabola perfetta e fluida. Regoli l'altezza della tua collina per adattarla ai rapporti, ma se i rapporti mostrano un improvviso dirupo, la tua parabola fluida non sarà in grado di catturarlo.
Il Nuovo Modo (Modello Isotonico): Non assumi una forma prestabilita. Inveve, osservi i rapporti e disegni una linea "unisci i puntini" che sale rigorosamente verso l'alto (o rimane piatta) mentre ti muovi da punteggi bassi a punteggi alti. Questo è chiamato regressione isotonica. È un approccio "non parametrico", il che significa che non assume una formula specifica; segue semplicemente l'andamento dei dati.

L'autore propone una danza intelligente tra le due parti del modello:

Prima, ipotizza i punteggi di forza dei giocatori usando una curva standard.
Poi, osserva i risultati reali delle partite e ridisegna la curva (il "filtro") per adattarla perfettamente ai risultati, assicurandosi che non torni mai indietro (monotonia).
Successivamente, usa questa nuova curva dalla forma personalizzata per ricalcolare i punteggi di forza dei giocatori.
4.im Infine, ripete questo processo, alternando l'aggiornamento dei punteggi e l'aggiornamento della forma della curva, finché il modello non smette di migliorare.

Cosa hanno scoperto: Previsioni migliori e Pareggi Onesti

L'autore ha testato questo nuovo metodo utilizzando due tipi di dati: dati sintetici (partite generate al computer dove conoscevano la "risposta vera") e dati del mondo reale provenienti dalla Premier League di calcio 2024/2025, dalla stagione di baseball MLB 2025 e dal tour di tennis ATP 2025.

Nelle loro simulazioni al computer, hanno creato scenari in cui la relazione "vera" tra forza e vittoria era strana e non corrispondeva alle curve standard. In questi casi, il modello tradizionale ha avuto difficoltà, ma il Modello di Bradley-Terry Isotonico è stato significativamente migliore. Ha appreso la forma insolita dei dati e ha reso le previsioni di vittoria più accurate.

Ancora più interessante, il nuovo modello è più bravo ad ammettere quando non conosce la risposta. Nel modello tradizionale, se due giocatori hanno punteggi simili, il modello potrebbe comunque forzare una piccola differenza e dire: "Il Giocatore A ha una probabilità di vittoria del 51%". Il modello Isotonico, invece, è più propenso a dire: "Questi due sono effettivamente in pareggio", risultando in una probabilità di vittoria del 50%. L'autore ha scoperto che questo comportamento da "pareggio" è in realtà un punto di forza, non un errore. Quando non ci sono abbastanza dati per distinguere tra due giocatori, il modello rifiuta correttamente di inventare una classifica rigida, portando a classifiche complessive più oneste e stabili.

Nei dati sportivi del mondo reale, i risultati sono stati simili. Il nuovo modello ha migliorato l'accuratezza delle previsioni della probabilità di vittoria, specialmente quando i dati erano scarsi (come nel tennis, dove i giocatori non si affrontano molto spesso). Ha inoltre migliorato il punteggio di Kendall's Tau, una misura di quanto bene la classifica del modello corrisponda ai risultati effettivi.

Il Messaggio Chiave

Questo articolo suggerisce che non abbiamo bisogno di forzare i nostri dati dentro scatole matematiche pre-confezionate. Lasciando che i dati dettino la forma della relazione tra forza e vittoria, possiamo costruire modelli più flessibili e accurati. Il Modello di Bradley-Terry Isotonico non si limita a indovinare la curva; la apprende. Sebbene richieda più passaggi computazionali (alternando l'aggiornamento dei punteggi e della curva), il vantaggio è un sistema che gestisce meglio i dati disordinati del mondo reale e sa quando dire: "Non posso dire chi sia il migliore", invece di fare una supposizione incerta. L'autore conclude che questo approccio è un passo avanti promettente per l'analisi di tutto, dalle partite sportive alle preferenze nei sondaggi.

Sintesi Tecnica: Modello Isotonico Bradley-Terry per Dati di Confronto a Coppie

Formulazione del Problema
Questo articolo affronta problemi di predizione e classificazione all'interno di dati di confronto a coppie, come la predizione della probabilità di vittoria tra due giocatori (o squadre) non accoppiati, e la classificazione di tutti i partecipanti in base alla loro forza relativa. I dati consistono in probabilità di vittoria osservate ( $y_{i,j}$ ) derivate da incontri storici tra i giocatori $i$ e $j$ . L'obiettivo è generalizzare queste osservazioni per predire gli esiti di coppie non osservate e per stabilire una classificazione stretta o parziale di tutti i giocatori.

Gli approcci convenzionali si affidano al modello Bradley-Terry Generalizzato, che introduce parametri di tasso a valori reali ( $r_i$ ) per rappresentare la forza dei giocatori. Questi modelli predicono le probabilità di vittoria utilizzando una funzione di link inverso $\sigma$ predefinita e fissa (ad esempio, logistica o gaussiana) applicata alla differenza nei parametri di tasso ( $\sigma(r_i - r_j)$ ). L'autore sostiene che la selezione di una funzione di link inverso fissa a priori può portare a un errore di specificazione del modello, con conseguente prestazioni subottimali. Inoltre, i modelli standard possono avere difficoltà quando i dati sono insufficienti per stabilire una classifica stretta, rischiando di imporre distinzioni arbitrarie tra giocatori di forza simile.

Metodologia: Il Modello Isotonico Bradley-Terry
Per mitigare l'errore di specificazione del modello preservando al contempo l'interpretabilità dei parametri di forza a valori reali, l'autore propone il modello Isotonico Bradley-Terry (IBT). Questo modello apprende congiuntamente i parametri di tasso e la funzione di link inverso attraverso una procedura di ottimizzazione alternata:

Apprendimento dei Parametri di Tasso: Dato un attuale stimatore della funzione di link inverso $\hat{\sigma}$ , i parametri di tasso $(r_i)_{i \in [n]}$ vengono aggiornati minimizzando una funzione di perdita (ad esempio, perdita quadratica o log-likelihood negativa) utilizzando un metodo (sub-)gradiente con ricerca lineare. Ciò garantisce che l'errore di addestramento non aumenti durante gli aggiornamenti.
Apprendimento della Funzione di Link Inverso: Dati i parametri di tasso aggiornati, la funzione di link inverso $\sigma$ $σ$ viene appresa tramite regressione isotonica. Nello specifico, il modello tratta le coppie $(\hat{r}_i - \hat{r}_j, y_{i,j})$ $(\overset{r}{^}_{i} - \overset{r}{^}_{j}, y_{i, j})$ come punti dati di input-output. Esso risolve un problema di ottimizzazione vincolato per trovare una funzione non decrescente $\hat{\sigma}$ $\overset{σ}{^}$ che minimizzi la perdita, soggetta al vincolo di simmetria $\sigma(-u) = 1 - \sigma(u)$ $σ (- u) = 1 - σ (u)$ .
- Questo passaggio è implementato utilizzando l'algoritmo Pool-Adjacent-Violators (PAV).
- La $\hat{\sigma}$ risultante è una funzione a tratti lineare (polyline) che connette le differenze uniche ordinate dei parametri di tasso.
Iterazione Alternata: Il processo itera tra l'aggiornamento dei parametri di tasso e della funzione di link. L'autore nota che, sebbene l'ottimizzazione congiunta sia generalmente non convessa, lo schema alternato garantisce un miglioramento monotono dell'errore di addestramento.

Classificazione e Gestione dei Pareggi
Una caratteristica distintiva del modello IBT è la gestione dei pareggi. Poiché la funzione di link appresa è non decrescente ma non necessariamente strettamente crescente, il modello può produrre $\hat{\sigma}(r_i - r_j) = 0.5$ anche quando $r_i \neq r_j$ . Ciò consente al modello di riflettere accuratamente l'incertezza quando i dati sono insufficienti per distinguere tra due giocatori. Di conseguenza, l'autore propone di classificare i giocatori basandosi sul conteggio di Borda (la somma delle probabilità di vittoria previste contro tutti gli altri giocatori) piuttosto che sui parametri di tasso grezzi, poiché il conteggio di Borda riflette meglio la forza in presenza di funzioni di link non strettamente crescenti.

Contributi Chiave

Funzione di Link Flessibile: Il documento introduce un metodo per apprendere la funzione di link inverso in modo non parametrico tramite regressione isotonica, eliminando la necessità di assumere una specifica forma funzionale (ad esempio, logistica o probit) e riducendo il rischio di errore di specificazione del modello.
Monotonicità Garantita: Il framework di ottimizzazione alternata garantisce che l'errore di addestramento non aumenti ad ogni iterazione.
Pareggi Guidati dai Dati: Il modello produce naturalmente pareggi (predizioni di probabilità pari a 0.5) quando i dati non supportano un ordinamento stretto, offrendo una rappresentazione più onesta dell'incertezza rispetto ai modelli che forzano classifiche strette.
Efficienza Algoritmica: L'uso dell'algoritmo PAV consente un calcolo efficiente della funzione di link isotonica ottimale.

Risultati Sperimentali
L'autore ha valutato il modello IBT utilizzando sia dati sintetici che dataset del mondo reale provenienti dalla Premier League inglese (PL), dalla Major League Baseball (MLB) e dal circuito ATP di tennis.

Dati Sintetici: Gli esperimenti hanno utilizzato dati generati da una distribuzione di Cauchy (una forma di errore di specificazione per i modelli standard logistici/probit). Il modello IBT ha costantemente migliorato l'errore di Predizione della Probabilità di Vittoria (WPP) e le prestazioni di classificazione (misurate tramite il Tau di Kendall) rispetto al modello Bradley-Terry standard, in particolare quando il numero di giocatori ( $n$ ) o il numero di partite per coppia ( $N$ ) era piccolo, o quando il rapporto di dati di addestramento era basso. Il modello ha dimostrato robustezza contro l'overfitting quando il numero di aggiornamenti è stato calibrato tramite cross-validation.
Dati del Mondo Reale: Negli esperimenti con i dati di PL, MLB e ATP, il modello IBT ha generalmente superato il modello Bradley-Terry standard in termini di errore WPP e metriche di classificazione. Il miglioramento è stato più pronunciato in scenari con dati scarsi (ad esempio, ATP dove molte coppie di giocatori non si sono mai incontrate). Il modello ha anche mostrato un tasso di pareggi più elevato, che l'autore interpreta come una caratteristica benefica per la gestione della scarsità di dati piuttosto che come un difetto.

Significatività e Rivendicazioni
Il documento afferma che il modello Isotonic Bradley-Terry offre un miglioramento pratico rispetto ai modelli Bradley-Terry Generalizzati convenzionali, adattando la funzione di link inverso alla struttura dei dati invece di fare affidamento su assunzioni fisse. L'autore sottolinea che questo approccio mantiene l'interpretabilità dei parametri di forza migliorando al contempo l'accuratezza predittiva e l'affidabilità della classificazione, specialmente in ambienti con scarsità di dati o quando la vera relazione sottostante devia dalle forme parametriche standard.

L'autore conclude che il modello IBT rappresenta una direzione promettente per problemi avanzati di confronto a coppie, come quelli che coinvolgono covariate, vantaggi del campo o valutazioni dipendenti dal tempo (come l'Elo), o partite con più giocatori (Plackett-Luce), dove l'apprendimento della funzione di link potrebbe similmente mitigare l'errore di specificazione del modello.

Il Problema: La trappola del "Modello Unico per Tutti"

La Soluzione: Il Modello "Mutaforma"

Cosa hanno scoperto: Previsioni migliori e Pareggi Onesti

Il Messaggio Chiave

Articoli simili