🤖 machine learning

Isotonic Bradley-Terry Model for Paired Comparison Data

Este artigo propõe um Modelo de Bradley-Terry Isotônico que aprende alternadamente parâmetros de taxa e uma função de ligação inversa via métodos de subgradiente e regressão isotônica para abordar a especificação incorreta do modelo em dados de comparação pareada, melhorando, assim, a previsão de probabilidade de vitória e o desempenho de classificação de jogadores em conjuntos de dados esportivos sintéticos e do mundo real.

Autores originais: Ryoya Yamasaki

Publicado 2026-08-04

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ryoya Yamasaki

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um fã de esportes tentando descobrir quem é o melhor jogador do mundo. Você tem uma lista enorme de resultados de jogos: quem venceu quem, quem empatou e quem perdeu. Mas aqui está a parte complicada: você não pode apenas olhar para o número de vitórias. Um jogador pode ter vencido um oponente fraco dez vezes, mas perdido para um forte. Para dar sentido a isso, cientistas usam uma ferramenta matemática chamada modelo Bradley-Terry. Pense neste modelo como um "calculador de força". Ele atribui um número oculto (uma "pontuação de força") a cada jogador. Se o Jogador A tem uma pontuação maior que o Jogador B, o modelo prevê que A vencerá. Para transformar a diferença entre essas duas pontuações em uma probabilidade real de vitória (como "60% de chance de A vencer"), o modelo usa uma forma específica, ou "curva", chamada função de ligação inversa.

Por décadas, pesquisadores tiveram que adivinhar qual formato de curva seria o correto. Eles escolhem uma forma padrão — como uma curva em S suave (logística) ou uma curva em forma de sino (Gaussiana) — e seguem com ela, esperando que se ajuste aos dados. O problema é que a vida real é bagunçada. Às vezes, os dados não se ajustam perfeitamente à curva pré-escolhida, levando a previsões ruins. Este artigo faz uma pergunta simples, mas ousada: E se não forçarmos os dados a entrar em uma curva pré-fabricada? E se deixarmos os dados nos dizerem como a curva deve ser? O autor propõe um novo método que aprende o formato da curva diretamente dos resultados, em vez de adivinhá-la antecipadamente.

O Problema: A Armadilha do "Tamanho Único"

No mundo das comparações pareadas — seja com grandes mestres de xadrez, profissionais de tênis ou times de futebol — muitas vezes queremos fazer duas coisas: prever as chances de uma vitória entre dois jogadores que ainda não se enfrentaram e classificar todos do mais forte para o mais fraco. A maneira tradicional de fazer isso é o modelo Bradley-Terry.

Imagine o modelo como uma máquina com duas partes. A primeira parte aprende uma "pontuação de força" para cada jogador. A segunda parte pega a diferença entre as pontuações de dois jogadores e a passa por um "filtro" fixo (a função de ligação inversa) para cuspir uma probabilidade de vitória. Por anos, os cientistas tiveram que escolher este filtro com antecedência. Eles podem dizer: "Vamos usar o filtro logístico" ou "Vamos usar o filtro Gaussiano".

O autor deste artigo aponta uma falha nessa abordagem: especificação incorreta do modelo (model misspecification). É como tentar encaixar uma peça quadrada em um buraco redondo. Se o mundo real se comporta como uma função escalonada e irregular, mas você a força através de uma curva em S suave, suas previsões estarão erradas. O artigo argumenta que, ao travar um formato de curva específico antes de olhar para os dados, podemos estar jogando fora informações valiosas.

A Solução: O Modelo "Mudador de Forma"

Para corrigir isso, o autor introduz o Modelo Bradley-Terry Isotônico. Em vez de escolher uma curva fixa, ele deixa os dados construírem sua própria curva, peça por peça.

Veja como funciona, usando uma analogia lúdica: Imagine que você está tentando desenhar um mapa de um terreno acidentado com base em alguns relatórios meteorológicos espalhados.

O Jeito Antigo: Você decide antecipadamente que o terreno deve ser uma parábola perfeita e suave. Você ajusta a altura da sua colina para se ajustar aos relatórios, mas se os relatórios mostrarem um penhasco repentino, sua parábola suave simplesmente não consegue capturá-lo.
O Novo Jeito (Modelo Isotônico): Você não assume o formato. Em vez disso, você olha para os relatórios e desenha uma linha de "ligar os pontos" que sobe estritamente (ou permanece plana) conforme você se move de pontuações baixas para altas. Isso é chamado de regressão isotônica. É uma abordagem "não paramétrica", o que significa que não assume uma fórmula específica; ela apenas segue a tendência dos dados.

O autor propõe uma dança inteligente entre as duas partes do modelo:

Primeiro, eles estimam as pontuações de força dos jogadores usando uma curva padrão.
Depois, eles olem para os resultados reais dos jogos e redesenham a curva (o "filtro") para se ajustar perfeitamente a esses resultados, garantindo que ela nunca retroceda (monotonicidade).
Em seguida, eles usam essa nova curva de formato personalizado para recalcular as pontuações de força dos jogadores.
Eles repetem esse processo, alternando entre atualizar as pontuações e atualizar o formato da curva, até que o modelo pare de melhorar.

O Que Eles Descobriram: Melhores Previsões e Empates Honestos

O autor testou este novo método usando dois tipos de dados: dados sintéticos (jogos gerados por computador onde eles sabiam a resposta "real") e dados do mundo real da Premier League de futebol 2024/2025, da temporada de beisebol MLB 2025 e do circuito de tênis ATP 2025.

Em suas simulações de computador, eles criaram cenários onde a relação "real" entre força e vitória era estranha e não correspondia às curvas padrão. Nesses casos, o modelo tradicional teve dificuldades, mas o Modelo Bradley-Terry Isotônico teve um desempenho significativamente melhor. Ele aprendeu o formato estranho dos dados e fez previsões de vitória mais precisas.

Ainda mais interessante, o novo modelo é melhor em admitir quando não sabe a resposta. No modelo tradicional, se dois jogadores têm pontuações semelhantes, o modelo pode ainda forçar uma pequena diferença e dizer "O Jogador A tem 51% de chance de vencer". O modelo Isotônico, no entanto, é mais propenso a dizer: "Estes dois estão efetivamente empatados", resultando em uma probabilidade de vitória de 50%. O autor descobriu que esse comportamento de "empate" é, na verdade, um recurso, não um erro. Quando não há dados suficientes para distinguir dois jogadores, o modelo corretamente se recusa a inventar um ranking estrito, levando a classificações gerais mais honestas e estáveis.

Nos dados esportivos do mundo real, os resultados foram semelhantes. O novo modelo melhorou a precisão das previsões de probabilidade de vitória, especialmente quando havia menos dados disponíveis (como no tênis, onde os jogadores não se enfrentam com tanta frequência). Também melhorou o escore de Tau de Kendall, uma medida de quão bem o ranking do modelo corresponde aos resultados reais.

A Conclusão

Este artigo sugere que não precisamos forçar nossos dados em caixas matemáticas pré-fabricadas. Ao deixar os dados ditarem o formato da relação entre força e vitória, podemos construir modelos que são mais flexíveis e precisos. O Modelo Bradley-Terry Isotônico não apenas adivinha a curva; ele a aprende. Embora exija mais etapas computacionais (alternando entre atualizar pontuações e a curva), a recompensa é um sistema que lida melhor com dados bagunçados do mundo real e sabe quando dizer: "Não consigo dizer quem é melhor", em vez de fazer um palpite duvidoso. O autor conclui que esta abordagem é um passo promissor para analisar tudo, desde partidas esportivas até preferências de pesquisas.

Resumo Técnico: Modelo de Bradley-Terry Isotônico para Dados de Comparação Pareada

Formulação do Problema
Este artigo aborda problemas de predição e classificação dentro de dados de comparação pareada, como a predição da probabilidade de vitória entre dois jogadores (ou equipes) não emparelhados e a classificação de todos os participantes com base em suas forças relativas. Os dados consistem em probabilidades de vitória observadas ( $y_{i,j}$ ) derivadas de partidas históricas entre jogadores $i$ e $j$ . O objetivo é generalizar essas observações para prever resultados de pares não observados e estabelecer um ranking estrito ou parcial de todos os jogadores.

Abordagens convencionais baseiam-se no modelo Bradley-Terry Generalizado, que introduz parâmetros de taxa de valores reais ( $r_i$ ) para representar as forças dos jogadores. Esses modelos preveem probabilidades de vitória usando uma função de ligação inversa $\sigma$ pré-especificada e fixa (por exemplo, logística ou gaussiana) aplicada à diferença nos parâmetros de taxa ( $\sigma(r_i - r_j)$ ). O autor argumenta que a seleção de uma função de ligação inversa fixa a priori pode levar à má especificação do modelo, resultando em desempenho subótimo. Além disso, modelos padrão podem ter dificuldades quando os dados são insuficientes para estabelecer um ranking estrito, potencialmente forçando distinções arbitrárias entre jogadores de força semelhante.

Metodologia: O Modelo de Bradley-Terry Isotônico (IBT)
Para mitigar a má especificação do modelo enquanto preserva a interpretabilidade dos parâmetros de taxa de valor real, o autor propõe o modelo Bradley-Terry Isotônico (IBT). Este modelo aprende conjuntamente os parâmetros de taxa e a função de ligação inversa por meio de um procedimento de otimização alternada:

Aprendizado de Parâmetros de Taxa: Dada a estimativa atual da função de ligação inversa $\hat{\sigma}$ , os parâmetros de taxa $(r_i)_{i \in [n]}$ são atualizados minimizando uma função de perda (por exemplo, erro quadrático ou log-verossimilhança negativa) usando um método de (sub-)gradiente com busca linear. Isso garante que o erro de treinamento não aumente durante as atualizações.
Aprendizado da Função de Ligação Inversa: Dados os parâmetros de taxa atualizados, a função de ligação inversa $\sigma$ $σ$ é aprendida usando regressão isotônica. Especificamente, o modelo trata os pares $(\hat{r}_i - \hat{r}_j, y_{i,j})$ $(\overset{r}{^}_{i} - \overset{r}{^}_{j}, y_{i, j})$ como pontos de dados de entrada-saída. Ele resolve um problema de otimização restrito para encontrar uma função não decrescente $\hat{\sigma}$ $\overset{σ}{^}$ que minimize a perda, sujeita à restrição de simetria $\sigma(-u) = 1 - \sigma(u)$ $σ (- u) = 1 - σ (u)$ .
- Este passo é implementado usando o algoritmo Pool-Adjacent-Violators (PAV).
- A $\hat{\sigma}$ resultante é uma função linear por partes (polilinha) que conecta as diferenças ordenadas únicas dos parâmetros de taxa.
Iteração Alternada: O processo itera entre a atualização dos parâmetros de taxa e da função de ligação. O autor observa que, embora a otimização conjunta seja geralmente não convexa, o esquema alternado garante a melhoria monotônica no erro de treinamento.

Classificação e Tratamento de Empates
Uma característica distinta do modelo IBT é o tratamento de empates. Como a função de ligação aprendida é não decrescente, mas não necessariamente estritamente crescente, o modelo pode produzir $\hat{\sigma}(r_i - r_j) = 0,5$ mesmo quando $r_i \neq r_j$ . Isso permite que o modelo reflita com precisão a incerteza quando os dados são insuficientes para distinguir entre dois jogadores. Consequentemente, o autor propõe classificar os jogadores com base na contagem de Borda (a soma das probabilidades de vitória previstas contra todos os outros jogadores) em vez dos parâmetros de taxa brutos, pois a contagem de Borda reflete melhor a força na presença de funções de ligação não estritamente crescentes.

Principais Contribuições

Função de Ligação Flexível: O artigo introduz um método para aprender a função de ligação inversa de forma não paramétrica via regressão isotônica, removendo a necessidade de assumir uma forma funcional específica (por exemplo, logística ou probit) e reduzindo o risco de má especificação do modelo.
Monotonicidade Garantida: O framework de otimização alternada garante que o erro de treinamento não aumente a cada iteração.
Empates Baseados em Dados: O modelo produz naturalmente empates (predições de probabilidade de 0,5) quando os dados não sustentam uma ordenação estrita, oferecendo uma representação mais honesta da incerteza em comparação com modelos que forçam rankings estritos.
Eficiência Algorítmica: O uso do algoritmo PAV permite o cálculo eficiente da função de ligação isotônica ideal.

Resultados Experimentais
O autor avaliou o modelo IBT utilizando tanto dados sintéticos quanto conjuntos de dados do mundo real da Football Premier League (PL), Major League Baseball (MLB) e o circuito ATP de Tênis.

Dados Sintéticos: Os experimentos utilizaram dados gerados a partir de uma distribuição de Cauchy (uma forma de má especificação de modelos logísticos/probit padrão). O modelo IBT melhorou consistentemente o erro de Predição de Probabilidade de Vitória (WPP) e o desempenho de classificação (medido pelo Tau de Kendall) em comparação com o modelo Bradley-Terry padrão, particularmente quando o número de jogadores ( $n$ ) ou o número de partidas por par ( $N$ ) era pequeno, ou quando a razão de dados de treinamento era baixa. O modelo demonstrou robustez contra o sobreajuste (overfitting) quando o número de atualizações foi ajustado via validação cruzada.
Dados do Mundo Real: Nos experimentos com dados da PL, MLB e ATP, o modelo IBT geralmente superou o modelo Bradley-Terry padrão em erro de WPP e métricas de classificação. A melhoria foi mais pronunciada em cenários de dados esparsos (por exemplo, ATP, onde muitos pares de jogadores nunca se enfrentaram). O modelo também exibiu uma taxa mais alta de empates, o que o autor interpreta como uma característica benéfica para lidar com a escassez de dados, em vez de um defeito.

Significância e Alegações
O artigo afirma que o modelo Bradley-Terry Isotônico oferece uma melhoria prática sobre os modelos Bradley-Terry Generalizados convencionais ao adaptar a função de ligação inversa à estrutura dos dados, em vez de depender de suposições fixas. O autor enfatiza que esta abordagem mantém a interpretabilidade dos parâmetros de força enquanto melhora a precisão preditiva e a confiabilidade da classificação, especialmente em ambientes com escassez de dados ou quando a relação subjacente real desvia de formas paramétricas padrão.

O autor conclui que o modelo IBT é uma direção promissora para problemas avançados de comparação pareada, como aqueles envolvendo covariáveis, vantagens de campo local, classificações dependentes do tempo (como o Elo) ou partidas de múltiplos jogadores (Plackett-Luce), onde o aprendizado da função de ligação poderia similarmente mitigar a má especificação do modelo.

O Problema: A Armadilha do "Tamanho Único"

A Solução: O Modelo "Mudador de Forma"

O Que Eles Descobriram: Melhores Previsões e Empates Honestos

A Conclusão

Mais como este