試合を言語としてモデリングする: サッカーにおける反事実的な選手評価のための生成型トランスフォーマーアプローチ

要約：
サッカー選手の移籍を評価することは難しい。選手の行動は戦術システム、味方、試合の文脈に強く依存するためである。この複雑さにもかかわらず、補強決定はしばしば静的な統計と主観的な専門家の判断に依存しており、これらの文脈的要因を十分に考慮していない。この制約は主に、仮想の状況における結果を予測できる反事実シミュレーション機構の欠如に起因している。これらの課題に対処するために、ScoutGPTを提案する。サッカーマッチのイベントを言語モデリングのフレームワーク内の逐次トークンとして扱う生成モデル。NanoGPTベースのトランスフォーマーアーキテクチャを用い、次トークン予測で訓練された ScoutGPT は、マッチイベント列のダイナミクスを学習し、仮想のラインアップの下でイベント列をシミュレートすることを可能にし、既存のベースラインモデルと比較して予測性能が優れていることを示している。この能力を活用し、モデルはモンテカルロサンプリングを用いて反事実シミュレーションを実現し、観測されていないシナリオの評価を可能にする。Kリーグのデータを用いた実験は、シミュレートされた選手移籍が攻撃の進行と得点確率に測定可能な変化をもたらすことを示しており、ScoutGPT が従来の静的指標を超えた選手固有の影響を捉えていることを示唆している。