본 논문은 농구 전술 모델링에서 복잡한 공간-시간적 의존성을 효율적으로 추출하고 다양한 경기 내 이벤트를 정확하게 예측하는 데 초점을 맞추고 있습니다. 기존 최첨단 모델(SOTA)은 주로 그래프 신경망(GNN) 기반이지만, 이질적인 선수 노드 간의 장기간, 장거리 및 세분화된 상호 작용을 포착하고 상호 작용 패턴을 인식하는 데 어려움을 겪고 있으며, 훈련되지 않은 하위 작업 및 제로샷 시나리오에 대한 일반화가 제한적입니다. 이를 해결하기 위해 본 논문에서는 세분화된 게임 모델링을 위한 공간-시간 전파 대칭 인식 그래프 변환기를 제안합니다. 이 아키텍처는 공간에서 지연 효과를 명시적으로 포착하여 이산 시간 슬라이스에서 선수 노드 표현을 향상시키고, 대칭 불변 사전 정보를 사용하여 주의 메커니즘을 안내합니다. 또한, 공격 전술의 차별화된 모델링을 용이하게 하는 전술 전문가 혼합 모듈을 훈련하기 위한 효율적인 대조 학습 전략을 도입합니다. 밀집 훈련과 희소 추론을 통합하여 모델 효율성을 2.4배 향상시켰습니다. 더 나아가, 대규모 언어 모델을 위한 경량 그래프 접지(Lightweight Graph Grounding)를 통합하여 새로운 팀이나 선수를 포함한 개방형 하위 작업 및 제로샷 시나리오에서 강력한 성능을 달성합니다. 제안된 모델인 TacticExpert는 여러 데이터셋과 하위 예측 작업에 걸쳐 사전 훈련을 통합하는 수직 통합 대규모 농구 모델 프레임워크를 설명합니다. 세분화된 모델링 모듈은 공간-시간 표현을 크게 향상시키며, 시각화 분석은 모델의 강력한 해석 가능성을 확인합니다.
