💻 computer science

Graph Neural Network-Based Team Sports Performance Analysis and Tactical Strategy Optimization

본 논문은 팀 스포츠를 동적 이종 그래프로 모델링하여 공격 효율성과 수비 대형을 예측하는 동시에 그래프 강화 학습과 반사실적 추론을 통해 전술 전략을 최적화하는 그래프 신경망 기반 프레ch워크를 제안하며, UEFA 챔피언스 리그 및 NBA 데이터셋에서 기존 베이스라인 대비 우수한 성능을 입증한다.

원저자: Honghong Song

게시일 2026-07-14

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Honghong Song

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

축구나 농구 경기를 단순히 선수들이 뛰어다니는 모습이 아니라, 거대하고 살아 움직이는 연결의 그물망으로 상상해 보십시오. 이것이 바로 이 논문이 그려내고자 하는 지도입니다. 저자인 홍홍 송(Honghong Song)과 산둥 체육 대학교 팀은 이전과는 전혀 다른 방식으로 경기를 이해하기 위해 **그래프 신경망(Graph Neural Network)**이라는 초지능적인 컴퓨터 두뇌를 구축했습니다.

핵심 아이디어는 이렇습니다. 기존의 스포츠 분석 방식은 선수들을 무대 위의 독백 배우처럼 취급하여, 그들이 패스나 움직임, 수비 동작을 통해 서로 어떻게 소통하는지를 간과했습니다. 이 논문은 그것이 실수라고 주장합니다. 대신, 그들은 전체 경기를 **동적이고 이질적인 그래프(dynamic, heterogeneous graph)**로 취급합니다. 마치 게임을 위한 사회적 네트워크처럼 말이죠. 하지만 훨씬 더 복잡합니다. 이 네트워크에서:

노드(Nodes, 점): 선수들과 공이 됩니다.
엣지(Edges, 선): 관계를 의미합니다. 여기서 흥-미로운 점은 모든 선이 같지 않다는 것입니다! '패스'는 '수비수가 선수를 마크하는 것'이나 '동료가 옆에서 함께 달리는 것'과는 다른 종류의 연결입니다. 컴퓨터는 당신이 하이파이브와 악수의 차이를 아는 것처럼, 이 차이를 구별하는 법을 배웁니다.

컴퓨터가 배운 마법 같은 기술들
이것을 구현하기 위해 팀은 컴퓨터에게 세 가지 특별한 초능력을 부여했습니다:

"비밀 악수" 탐지기: 컴퓨터는 단순히 누가 누구와 접촉하는지만 보는 것이 아니라, **암묵적 협력(implicit collaborations)**을 포착하는 법을 배웁니다. 예를 들어, 윙어와 미드필더가 서로 바로 옆에 있지 않더라도 그들이 '습관적인 협응' 관계에 있다는 것을 알아낼 수 있습니다. 이는 마치 두 친구가 말하지 않아도 서로의 문장을 자연스럽게 이어가는 것을 컴퓨터가 깨닫는 것과 같습니다.
"만약에" 타임머신: 이것이 가장 놀라운 부분입니다. 시스템은 **역사실적 추론(counterfactual reasoning)**이라 불리는 기술을 사용합니다. 경기를 잠시 멈추고 컴퓨터가 "만약 이 선수가 오른쪽 대신 왼쪽으로 패스했다면 어떻게 되었을까?"라고 묻는다고 상상해 보십시오. 컴퓨터는 시뮬레이션을 실행하여 실제로 어떤 일이 일어났을지를 확인합니다. 단순히 추측하는 것이 아니라, 수학적 규칙(do-calculus)을 사용하여 우연한 운에 속지 않도록 합니다. 이는 코치가 "우리가 X를 했다면 득점했을 텐데"라고 말할 때, 컴퓨터가 실제로 그 확률을 계산해 내는 것과 같습니다.
팀 플레이어: 컴퓨터는 한 가지만 배우는 것이 아니라, 세 가지를 동시에 배웁니다. 공격이 얼마나 훌륭했는지 예측하고, 상대 팀이 어떤 수비 포메이션을 사용하는지 추측하며, 다음에 할 최선의 움직임이 무엇인지 파악합니다. 컴퓨터는 이 모든 과업 사이에서 균형을 맞추며, 어느 하나가 다른 것을 방해하지 않도록 조절합니다.

실제로 효과가 있었을까요?
연구팀은 실제 데이터인 147번의 UEFA 챔피언스 리그 축구 경기와 236번의 NBA 농구 경기를 통해 이 두뇌를 테스트했습니다. 그들은 단순히 "좋아 보인다"라고 말하는 데 그치지 않고, 수치로 증명했습니다.

공격 예측: 점유의 가치를 추측할 때, 모델은 매우 정밀했으며 오차율(MAE)은 단 0.087에 불과했습니다. 이는 기존의 최고 방법들보다 크게 향상된 수치입니다.
수비 포착: 이 모델은 수비 포메이션(예: 4-4-2 또는 5-3-2)을 식별하는 데 있어 1이 완벽함을 의미하는 척도에서 0.91의 점수를 기록했습니다.
전술적 조언: 컴퓨터가 플레이를 제안했을 때, 인간 전문가 코치와 **84%**의 일치율(코헨의 카파 통계량, Cohen's κ)을 보였습니다. 이 일치도는 통계적으로 유의미하며, 이는 결코 우연이 아님을 의미합니다.

이것이 '아닌' 것 (그리고 아직 할 수 없는 것)
이 논문이 무엇을 주장하지 않는지도 명확히 아는 것이 중요합니다. 저자들은 이것이 모든 것을 해결하는 마법 지팡이가 아니라고 매우 신중하게 밝히고 있습니다.

완벽하지 않습니다: 30명 이상의 선수가 등장하여 경기가 매우 혼란스러워질 경우, 컴퓨터는 여전히 실수를 할 수 있습니다 (물론 축구나 농구는 보통 그보다 적은 인원으로 진행됩니다).
데이터가 필요합니다: "만 if" 타임머신은 과거의 데이터에 의존합니다. 만약 스타 플레이어가 부상을 당해 팀이 갑자기 완전히 새로운 전략을 구사한다면, 컴퓨터는 이전에 본 적 없는 그 기이하고 새로운 스타일을 예측하는 데 어려움을 겪을 수 있습니다.
마음을 읽는 것이 아닙니다: 컴퓨터는 선수가 피곤한지 혹은 긴장했는지를 볼 수 없습니다. 컴퓨터는 오직 화면상의 숫자(위치, 속도, 각도)만을 봅니다. 저자들은 '심리적 상태'와 같은 숨겨진 요인들이 모델에서 누락되어 있음을 인정합니다.

결론
이 논문은 스포츠를 다양한 관계의 복잡한 그물망으로 다루고 "만약에" 시뮬레이터를 사용함으로써, 우리가 이전보다 팀 전술을 훨씬 더 잘 이해할 수 있음을 보여줍니다. 결과는 유망하며 실제 프로 경기에서 얻은 확고한 수치들에 의해 뒷받침되지만, 저자들은 이 모델이 코치를 대체할 로봇이 아니라 코치를 돕기 위한 도구라는 점을 상기시킵니다. 이것은 스포츠 데이터를 명확하고 전략적인 이야기로 바꾸는 데 있어 거대한 진전입니다.

문제 정의

팀 스포츠는 선수들 사이의 복잡하고 고차원적인 시공간적 상호작용 네트워크를 포함합니다. 전통적인 통계적 방법들은 선수들을 독립적인 개체로 취급하여 패스 경로 및 움직임 협력과 같은 암시적인 위상 구조를 무시하기 때문에 이러한 관계를 효과적으로 모델링하는 데 실패하는 경우가 많습니다. 또한, 스포츠 분석 분야의 기존 그래프 신경망(GNN) 적용은 다음과 같은 구체적인 한계에 직면해 있습니다:

정적 vs 동적: 많은 이종 GNN(예: HAN, HetGNN)은 정적인 지식 그래프를 위해 설계되었으며, 실시간 경기 시나리오에 필요한 시간적으로 진화하는 에지 세맨틱스(edge semantics)를 기본적으로 지원하지 못합니다.
동질화: 기존의 스포츠 그래프 모델은 종종 모든 선수 간의 상호작용을 동질적인 에지로 취급하거나, 그래프 구축과 분리된 사후 모듈로서 시간적 인코딩을 적용합니다.
인과적 맹목성: 현재의 전술 최적화는 인과 추론이 부족하며, 혼란 변수(confounders)를 다루거나 반사실적 설명(counterfactual explanations)을 제공하지 못한 채 "블랙박스" 형태의 예측에 의존합니다.

방법론

본 논문은 동적 이종 그래프(Dynamic Heterogeneous Graphs), 멀티태스크 학습(Multi-Task Learning), 그리고 그래프 강화 학습(Graph Reinforcement Learning, GRL)을 통합하는 통합 프레임워크를 제안합니다.

1. 동적 이종 그래프 표현

그래프 구축: 경기 시나리오는 시간 가변적 그래프 시퀀스 $\mathcal{G}_t = (\mathcal{V}_t, \mathcal{E}_t, \mathcal{R}_t)$ $G_{t} = (V_{t}, E_{t}, R_{t})$ 로 추상화됩니다.
- 노드: 공격 선수, 수비 선수, 그리고 공을 나타냅니다. 특징에는 2D 위치, 속도, 방향 및 공 점유 상태(25Hz로 추출)가 포함됩니다.
- 에지: 상호작용 특성에 따라 패스(passing), 움직임 협력(movement cooperation), *마킹 대치(marking confrontation)*의 이종 유형으로 나뉩니다.
에지 유형 인식 이종 그래프 컨볼루션:
- 차별적 집계: 노드가 통합 변환을 수행하기 전, 에지 유형별로 그룹화된 이웃 메시지를 집계하는 2단계 업데이트 패러다임을 사용합니다.
- 어텐션 메커니즘: 각 에지 유형 $\psi$ 에 대해 독립적인 쿼리-키 행렬( $W_Q^\psi, W_K^\psi$ )을 갖는 에지 유형 인식 멀티 헤드 어텐션을 도입하여, 모델이 패스 에지와 마킹 에지에 대해 서로 다른 중요도 기준을 학습할 수 있도록 합니다.
적응형 인접성 학습: 엔드 투 엔드 모듈을 통해 노드 임베딩 유사도를 기반으로 소프트 인접 행렬 $\tilde{A}$ 를 학습하며, 이를 사전 정의된 인접 행렬과 융합합니다. 이는 물리적 근접성을 넘어 암시적인 협력 패턴(예: 습관적인 협응)을 포착합니다.
시간적 인코딩: 절대 위치 인코딩과 상대적 시간 간격 인코딩을 하다마르 곱(Hadamard product)을 통해 융합하여, 경기 단계(예: 추가 시간의 긴박함)와 전술적 전환 템포를 모두 포착합니다.

2. 멀티태스크 분석 프레임워크
모델은 최적화 충돌을 해결하기 위해 그래디언트 수술(Gradient Surgery) 메커니즘을 통해 조정되는 공유 인코더와 태스크별 헤드를 채택합니다.

공격 효율성 예측: 기대 득점과 필드 전진을 결합한 "슛 결과 가중치 점유 가치"( $y_{eff}$ )를 예측하는 회귀 태스크입니다. 시공간 그래프 컨볼루션과 LSTM을 사용합니다.
수비 포메이션 인식: 보로노이 다이어그램(Voronoi diagram) 특징으로 보강된 공간 그래프 컨볼루션과 어텐션 풀링을 사용하는 분류 태스크(예: 4-4-2, 5-3-2)입니다.
그래디언트 균형: 태스크 그래디언트가 충돌할 때(각도 > 90°) 부정적 전이를 제거하기 위한 직교 투영과 그래디언트 분산에 기반한 적응형 학습률 스케줄링을 사용합니다.

3. 전술 최적화를 위한 그래프 강화 학습

마르코프 게임 모델링: 상태 공간을 양 팀의 구성에 대한 조인트 그래프로 정의합니다. 다양한 수비 시스템에 대한 강건성을 확보하기 위해 역사적 상대 전략 풀을 대상으로 허구적 자기 대국(Fictitious Self-Play)을 사용하여 학습합니다.
정책 네트워크: 액터(Actor)가 에지 유형 인식 그래프 어텐션을 사용하여 행동 분포(패스 대상, 움직임 각도)를 출력하고, 크리틱(Critic)이 상태 가치를 평가하는 액터-크리틱 구조를 사용합니다.
반사실적 추론: Pearl의 do-calculus에 근거하여, 시스템은 관찰된 혼란 변수(수비 압박, 필드 구역, 경기 단계)에 대해 백도어 조정(backdoor adjustment)을 수행하여 전술적 개입의 인과적 효과를 추정합니다. 이는 최적의 전략(예: "측면 돌파를 선택할 경우 득점 확률이 X% 증가한다")을 도출하기 위해 반사실적 궤적을 시뮬레이션합니다.

주요 기여

본 논문은 세 가지 밀접하게 결합된 방법론적 혁신을 식별합니다:

에지 유형 인식 이종 GNN: 단일 메시 전달 프레임워크 내에서 패스, 움직임, 마킹 세맨티스를 구분하는 네이티브 아키텍처로, 토폴로지와 함께 공동 학습되는 에지별 쿼리-키 행렬을 가집니다.
적응형 인접성 학습: 물리적으로 관찰 가능한 상호작용을 넘어 엔드 투 엔드 학습을 통해 암시적인 선수 협력 패턴을 발견하는 모듈입니다.
반사실적 강화된 GRL: 도-칼큘러스(do-calculus) 기반의 인과 추론을 정책 롤아웃에 직접 통합하여, 사후 설명 레이어로 적용하는 대신 백도어 기준을 통해 혼란 변수를 조정하는 전술 최적화 모듈입니다.

실험 결과

실험은 두 가지 데이터셋, 즉 147개의 UEFA 챔피언스리그 경기(2018–2023)와 236개의 NBA 경기(2021–2023)에서 수행되었습니다. 제안된 프레임워크는 TacticAI, GraphSAGE, HetGNN, Transformer+LSTM을 포함한 베이스라인들과 비교되었습니다.

공격 효율성 예측: 평균 절대 오차(MAE) 0.087 (95% CI: 0.083–0.091)을 달성하였으며, 이는 두 번째로 우수한 베이스라인(HetGNN, MAE 0.114) 대비 23.7% 감소한 수치입니다.
수비 포메이션 인식: 매크로 평균 F1-score 0.91 (95% CI: 0.89–0.93)을 달성하여 GraphSAGE보다 14.6 퍼센트 포인트 높은 성능을 보였습니다.
전술 추천: 383개의 경기 에피소드에 걸쳐 전문가가 검증한 최적 결정과의 일치도에서 코헨 카파( $\kappa$ ) 계수 0.84 (95% CI: 0.81–0.87)를 기록했습니다.
통계적 유의성: 5개의 무작위 시드에 대한 Wilcoxon 부호 순위 검정 결과, 두 번째로 우수한 베이스라인 대비 모든 개선 사항은 통계적으로 유의미했습니다 ( $p < 0.01$ ).
일반화: 교차 리그 전이(UEFA에서 La Liga로) 시 재학습 없이도 성능 저하가 6.9%에 불과했습니다. 적대적 도메인 적응(Adversarial domain adaptation)을 통해 이 격차를 4.1%까지 줄였습니다.
해석 가능성: 레알 마드리드의 역습 사례 연구에서, 모델의 반사실적 추론(측면 돌파 예측)은 실제 경기 결과와 일치했습니다. 12명의 전문 코치에 의한 블라인드 평가 결과 $\kappa$ 일치도는 0.84로 나타났습니다.

의의 및 주장

본 논문은 자신의 프레임워크가 세맨틱 혼동, 가짜 상관관계, 개입 하에서의 분포 변화와 같은 기존 스포츠 분석 모델의 특정 실패 모드를 해결한다고 주장합니다.

이론적 기여: Lipschitz 연속성 가정 하에서 멀티태스크 목적 함수에 대한 하위 선형 속도 $\mathcal{O}(1/\sqrt{T})$ 를 보여주는 공식적인 수렴 분석을 제공합니다.
실질적 영향: 인과 추론의 통합을 통해 시스템이 상관관계 기반 예측을 넘어 해석 가능한 반사실적 전술 조언(예: 특정 전술적 선택의 한계 효과 정량화)을 제공할 수 있게 합니다.
한계 인정: 저자들은 본 프레임워크가 초거대 규모 시나리오(선수 수 > 30)에서 계산 병목 현상에 직면할 수 있으며, 인과적 추정치가 관찰 가능한 혼란 변수에 대해 조정되었음을 언급하며, 관찰 데이터의 특성상 미관찰 요인(예: 선수의 피로도, 심리 상태)이 여전히 편향을 유발할 수 있음을 인정했습니다. 인과적 주장은 엄격하게 편향 없는 인과적 양량이 아니라 "혼란 변수가 조정된 연관 효과"로 프레임화되었습니다.

문제 정의

방법론

주요 기여

실험 결과

의의 및 주장

유사한 논문