Revisiting Expected Possession Value in Football: Introducing a Benchmark, U-Net Architecture, and Reward and Risk for Passes

要約

本論文では、初の期待ポゼッション値（EPV）ベンチマークと、サッカーのための新しく改良されたEPVモデルを紹介する。OJN-Pass-EPVベンチマークの導入を通じて、我々は、与えられた相対EPVを持つゲーム状態のペアを使用することにより、EPVモデルの品質を定量的に評価する新しい方法を提示する。次に、オランダのエールディビジとワールドカップの試合を含むデータセットを用いて、Fern’andez et al.その結果、U-netタイプの畳み込みニューラルネットワークに基づく新しいアーキテクチャを提案し、モデル損失と期待キャリブレーション誤差において良好な結果を得た。最後に、ボールの高さを組み込み、報酬とリスクを分析する新しい2成分パスバリューモデルを含む、改良されたパスモデルを提示する。結果として得られたEPVモデルは、OJN-Pass-EPVベンチマークのゲーム状態のペアの78%において、より価値の高い状態を正しく識別し、ゴール得点の可能性を正確に評価する能力を実証した。この結果は、EPVモデルの質を評価し、EPV予測を改善し、パス決定の潜在的な報酬とリスクを評価し、選手とチームのパフォーマンスを向上させるのに役立つ。

要約(オリジナル)

This paper introduces the first Expected Possession Value (EPV) benchmark and a new and improved EPV model for football. Through the introduction of the OJN-Pass-EPV benchmark, we present a novel method to quantitatively assess the quality of EPV models by using pairs of game states with given relative EPVs. Next, we attempt to replicate the results of Fern\’andez et al. (2021) using a dataset containing Dutch Eredivisie and World Cup matches. Following our failure to do so, we propose a new architecture based on U-net-type convolutional neural networks, achieving good results in model loss and Expected Calibration Error. Finally, we present an improved pass model that incorporates ball height and contains a new dual-component pass value model that analyzes reward and risk. The resulting EPV model correctly identifies the higher value state in 78% of the game state pairs in the OJN-Pass-EPV benchmark, demonstrating its ability to accurately assess goal-scoring potential. Our findings can help assess the quality of EPV models, improve EPV predictions, help assess potential reward and risk of passing decisions, and improve player and team performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL