Isotonic Bradley-Terry Model for Paired Comparison Data

あなたは、誰が世界最高のプレイヤーであるかを突き止めようとしているスポーツファンだと想像してください。あなたの手元には、誰が誰に勝ったか、引き分けだったか、負けたかという、膨大な試合結果のリストがあります。しかし、ここには厄介な問題があります。単に勝利数だけを見ればいいわけではないのです。あるプレイヤーは弱い相手に10回勝ったかもしれませんが、強い相手には負けているかもしれません。これを理解するために、科学者たちは**ブラッドリー・テリー・モデル（Bradley-Terry model）という数学的ツールを使用します。これを「強さの計算機」と考えてください。このモデルは、すべてのプレイヤーに対して「隠れた数値（強さのスコア）」を割り当てます。もしプレイヤーAがプレイヤーBよりも高いスコアを持っていれば、モデルはAが勝つと予測します。この二人のスコアの差を、実際の勝率（例えば「Aが勝つ確率は60%」など）に変換するために、モデルは逆リンク関数（inverse link function）**と呼ばれる特定の形状、つまり「曲線」を使用します。

何十年もの間、研究者たちはどの曲線の形が適切かを推測しなければなりませんでした。彼らは、滑らかなS字カーブ（ロジスティック）やベルカーブ（ガウス分布）のような標準的な形状を選び、それがデータに適合することを願いながら、その形状に固執してきました。問題は、現実の世界はもっと複雑だということです。時として、データはあらかじめ選ばれた曲線に完璧には適合しません。適合しない場合、予測は誤ったものになります。この論文は、シンプルかつ大胆な問いを投げかけています。もし、データを既成の曲線に無理やり押し込めるのをやめたらどうなるだろうか？ もし、データ自身にどのような曲線になるべきかを語らせることができたらどうだろうか？ 著者は、事前に曲線の形を推測するのではなく、結果から直接曲線の形を学習する新しい手法を提案しています。

問題点：「一律の型」という罠

チェスのグランドマスター、テニスのプロ、あるいはサッカーチームなど、ペア比較（二者間の比較）の世界では、私たちはしばしば二つのことを行いたいと考えます。一つは、まだ対戦していない二人のプレイヤー間の勝率を予測すること。もう一つは、全員を強い順から弱い順へとランク付けすることです。これを行う伝統的な方法は、ブラッドリー・リー・モデルです。

このモデルを、二つのパーツを持つ機械だと想像してください。第一のパーツは、各プレイヤーの「強さのスコア」を学習します。第二のパーツは、二人のプレイヤーのスコアの差を取り込み、それを固定された「フィルター」（逆リンク関数）に通して、勝率を吐き出します。長年、科学者たちは事前にこのフィルターを選ばなければなりませんでした。彼らは「ロジスティック・フィルターを使おう」とか、「ガウス・フィルターを使おう」といった具合に決めてきたのです。

この論文の著者は、このアプローチの欠陥を指摘しています。それは**モデルの誤設定（model misspecification）**です。それは、まるで四角い杭を丸い穴に無理やり押し込もうとするようなものです。もし現実の世界が、ギザギザとした階段状の関数として振る舞っているのに、あなたがそれを滑らかなS字カーブに強制的に当てはめようとしたら、あなたの予測は狂ってしまうでしょう。論文は、データを観察する前に特定の曲線形状を固定してしまうことは、貴重な情報を捨てている可能性があると主張しています。

解決策：「形を変える」モデル

これを修正するために、著者は**アイソトニック・ブラッドリー・テリー・モデル（Isotonic Bradley-Terry Model）**を導入します。固定された曲線を選ぶ代わりに、データ自身に、パーツごとに独自の曲線を作り上げさせるのです。

これがどのように機能するか、遊び心のある比喩を使って説明しましょう。あなたが、いくつかの散在した気象報告に基づいて、起伏のある地形の地図を描こうとしていると想像してください。

1. 従来の方法： あなたは、地形は完璧で滑らかな放物線でなければならないと事前に決定します。あなたは報告に合わせて丘の高さを調整しますが、もし報告の中に突然の崖が現れたとしても、あなたの滑らかな放物線ではそれを捉えることができません。
2. 新しい方法（アイソトニック・モデル）： あなたは形状を仮定しません。代わりに、報告を見て、低いスコアから高いスコアへと移動するにつれて、厳密に上昇するか（あるいは平坦であるか）、点と点を結ぶような線を描きます。これは**アイソトニック回帰（isotonic regression）**と呼ばれます。これは「ノンパラメトリック」なアプローチであり、特定の数式を仮定するのではなく、単にデータの傾向に従うものです。

著者は、このモデルの二つのパーツの間で行われる巧妙なダンスを提案しています。

1. まず、標準的な曲線を用いて、プレイヤーの強さのスコアを推測します。
2. 次に、実際の試合結果を見て、それらの結果に完璧に適合するように（ただし、決して逆行しないように）曲線（「フィルター」）を書き直します。
3. そして、この新しくカスタムされた形状の曲線を使用して、プレイヤーの強さのスコアを再計算します。
4. このプロセスを、モデルの改善が止まるまで、スコアの更新と曲線の形状の更新を交互に繰り返します。

得られた結果：より優れた予測と誠実な引き分け

著者は、二種類のデータを用いてこの新手法をテストしました。一つは合成データ（「真の答え」が分かっているコンピュータ生成の試合）、もう一つは、2024/2025シーズンのプレミアリーグ、2025年MLB（メジャーリーグベースボール）シーズン、および2025年ATPツアーからの現実世界のデータです。

コンピュータ・シミュレーションにおいて、彼らは「強さと勝利の関係」が奇妙で、標準的な曲線とは一致しないシナリオを作成しました。これらのケースでは、伝統的なモデルは苦戦しましたが、アイソトニック・ブラッドリー・テリー・モデルは大幅に優れたパフォーマンスを示しました。このモデルはデータの奇妙な形状を学習し、より正確な勝率予測を行いました。

さらに興味深いことに、新しいモデルは「答えが分からないとき」に、より適切にそれを認めることができます。伝統的なモデルでは、二人のプレイヤーのスコアが似通っている場合、モデルはそれでも微小な差を無理に作り出し、「プレイヤーAが勝つ確率は51%です」と言ってしまうことがあります。しかし、アイソトニック・モデルは、「これら二人は実質的に引き分けである」と述べ、50%の勝率を提示する傾向があります。著者は、この「引き分け」の挙動はバグではなく、むしろ「機能（特徴）」であることを見出しました。二人のプレイヤーを区別するためのデータが不足しているとき、モデルは無理に厳格なランキングを作ろうとせず、正しく拒否することで、より誠実で安定した全体的なランキングをもたらすのです。

現実世界のスポーツデータにおいても、結果は同様でした。新しいモデルは、特にデータが少ない状況（プレイヤー同士があまり対戦しないテニスの試合など）において、勝率予測の精度を向上させました。また、モデルのランキングが実際の結末とどれだけ一致しているかを示す指標である**ケンドールのタウ（Kendall's Tau）**のスコアも向上させました。

まとめ

この論文は、データを既成の数学的な箱に押し込める必要はないということを示唆しています。強さと勝利の関係の形をデータ自身に決定させることで、より柔軟で正確なモデルを構築できるのです。アイソトニック・ブラッドリー・テリー・モデルは、単に曲線を推測するのではなく、それを学習します。これには、スコアの更新と曲線の更新を交互に行うという、より多くの計算ステップが必要になりますが、その見返りとして、乱雑な現実世界のデータをよりうまく扱い、「どちらが優れているか判断できない」と言うべき時に、曖昧な推測をするのではなく、正しくそう言えるシステムが得られます。著者は、このアプローチが、スポーツの試合からアンケートの好みに至るまで、あらゆる事象を分析するための有望な一歩であると結論づけています。