サッカーにおける守備の質の測定
優れた守備の技術とは、何かが起こる前にそれを防ぐことだ。フィルジル・ファン・ダイクは世界最高のディフェンダーの一人であり、ボール保持者に危険の少ない場所へのパスを強要することで、オープンなアタッカーがシュートするパスを防ぐ能力を持っている。しかし、これが素晴らしいディフェンスであることは分かっていても、今日のスタッツではファン・ダイクは評価されないだろう。ディフェンダーの貢献度は、単純にタックルやインターセプトの数で測られる。しかし、もしそれが行われる前に未然に防がれた行動を測定することができるとしたらどうだろう？
守備とディフェンダーの目的は、攻撃的なプレーを予測可能にすることだ。例えば、ユルゲン・クロップ率いるリバプールは、危険なエリアでのパスの選択肢を制限することで、ピッチの特定のエリアでボールを手放させる目的で相手にプレスをかける。良い守備の技術がプレーを予測可能にすることであるならば、それは測定可能であるべきだ。十分なデータがあれば、選手がどこにパスを出すか、そのパスが成立する可能性はどの程度か、そしてそのパスが得点につながるかどうかを予測できるはずだ。したがって、ディフェンダーがアタッカーの考えを変えさせるか、あるいはアタッカーがオプションになることさえ防ぐかどうかを測定することができるはずである。
図1は、2018/19 UEFAチャンピオンズリーグのリバプール対バイエルン・ミュンヘンの試合で、マネ（赤10）の得点につながる状況を示している。私たちのモデルは、ミルナー（赤7）がファン・ダイク（赤4）の最初のターゲットであることを特定する。しかし、グナブリー（青22）がミルナーを封じ、レヴァンドフスキ（青9）がファン・ダイクを封じ、マネがディフェンスの背後から積極的に走り込むという組み合わせにより、マネは最も可能性の高いレシーバーであると同時に、得点の脅威も高くなる。これは、プレーヤーの意思決定がどのように影響され、アタッカーとディフェンダーのボールのないところでの行動によって、状況がどのように低い脅威から高い脅威へと変化するかをモデル化する我々の能力を示している。
本論文では、非常に非構造的で変化しやすいトラッキングデータを扱い、リアルタイムで予測を行うことができる新しいグラフ畳み込みニューラルネットワーク（GNN）を紹介する。これにより
防御行動と攻撃行動に対するその効果、すなわち、行動を未然に防ぐことを可能にする。
