提升模型的泛化能力。
进展缓慢，且充满反复。有时，一个看似 promising 的模型变体，在验证集上表现提升，却在更复杂的测试场景中一败涂地。有时，精心设计的特征，被证明对最终性能贡献微乎其微。挫败感是常态，但没有人提出放弃。一种奇特的、在共同攻坚中形成的坚韧氛围笼罩着这个小团队。争论时常发生，尤其是王睿的工程思维与苏晚的理论洁癖碰撞时，但目标始终一致：做出真正能用的东西。
转机出现在一个周末的深夜。连续一周的模型调优收效甚微，王睿几乎要抓狂。苏晚在反复审视失败案例后，提出了一个大胆的假设：或许他们过于执着于让模型“理解”高级战术语义，忽略了篮球运动中一些更本质的、物理层面的约束和启发。
“篮球运动员不是粒子，他们的移动受到物理规律、自身体能和比赛规则的限制，同时也受到战术意图的驱动。”苏晚在群里发语音，声音带着熬夜后的微哑，但逻辑清晰，“我们能不能在模型中显式地加入一些基于篮球运动规律的先验知识，或者物理启发的归纳偏置（inductive bias）？比如，球员的移动具有惯性，变向需要时间；球员的视线有方向，通常关注球和关键对手；进攻球员倾向于朝向篮筐移动，而防守球员倾向于阻断进攻路径并面向持球人……”
这个想法，与韩澈早期试图用“面向角度变化率”等特征捕捉意图的思路不谋而合，但苏晚将其提升到了模型架构设计的层面。她提议，不再仅仅将原始的坐标和速度作为节点特征，而是构造一系列反映篮球运动常识和博弈逻辑的中间特征，作为网络的输入。甚至，可以在图神经网络的消息传递过程中，引入基于这些先验知识的约束，引导模型学习更合理的表示。
“比如，在计算两个球员之间的注意力权重时，”苏晚继续说，“不仅可以考虑他们之间的空间距离和运动相关性，还可以加入‘他们是否处于进攻/防守的对位关系’、‘他们是否在彼此视线范围内’、‘
本章未完，请点击"下一页"继续阅读！ 第3页 / 共8页