HPGPN: rede neural prevê receptor de passe no futebol com visão parcial

O que aconteceu

O artigo "Hierarchical Possession-Aware Graph Pointer Network for Pass Receiver Selection" foi submetido ao arXiv em 4 de setembro de 2026, na categoria de inteligência artificial (arXiv:2609.04803v1). O HPGPN, nome do modelo proposto, resolve a tarefa de pass receiver selection, ou seleção do receptor do passe, um problema fundamental do futebol analytics que consiste em prever qual companheiro o jogador com a bola pretende escolher.

A novidade do trabalho está no cenário de dados. Os autores trabalham com event-centered freeze-frame observations, uma configuração parecida com a de uma transmissão de TV, em que o modelo só enxerga parte dos jogadores, sem trajetórias completas e sem identidades estáveis dos atletas. O HPGPN precisa, portanto, raciocinar sobre candidatos anônimos visíveis, pressão dos adversários e contexto recente sob observação parcial.

Contexto

A seleção do receptor de passe é um problema clássico do analytics de futebol, mas a maioria dos modelos assume dados completos: todos os jogadores rastreados, com identidade fixa ao longo do lance. Esse tipo de dado vem de sistemas de tracking caros e restritos a clubes e ligas.

O cenário broadcast-like muda a equação. Um frame congelado centrado no evento do passe mostra só quem está na imagem, e essa visibilidade varia de lance para lance. O modelo proposto no arXiv formula a tarefa como predição de candidatos de tamanho variável sobre os companheiros visíveis, em vez de escolher entre 22 jogadores fixos.

Por que importa

O HPGPN junta três camadas de informação: um grafo que representa a situação atual do passe e as interações entre jogadores, um contexto fixo do evento, e um histórico dinâmico de posse de bola que captura como a sequência ofensiva evolui. As representações dos candidatos são refinadas hierarquicamente, integrando evidência espacial, contextual e histórica, e um glimpse pointer head dá nota a cada receptor candidato.

Na prática, isso significa que análise tática pode sair do domínio dos dados proprietários de tracking e funcionar com material de broadcast, que qualquer clube, mídia ou torcedor consegue obter. Os experimentos usaram dados públicos de eventos e freeze-frames de futebol.

Impacto

Os experimentos mostram que o HPGPN melhora o desempenho na seleção do receptor de passe em dados públicos de eventos e freeze-frames. Os ablation studies, testes que removem componentes do modelo para medir a contribuição de cada um, confirmam a eficácia de três peças: a modelagem de interações baseada em grafos, o contexto fixo do evento e a modelagem dual-branch do histórico dinâmico de posse.

Para o mercado de futebol analytics, o resultado valida uma abordagem que dispensa identidades estáveis dos jogadores. Modelos que raciocinam sobre candidatos anônimos podem ser aplicados a vídeos de partidas sem acesso aos metadados oficiais das ligas.

O que muda

A mudança conceitual é a formulação do problema. Em vez de classificar entre um elenco fixo, o HPGPN trata a seleção do receptor como predição sobre um conjunto de tamanho variável de companheiros visíveis. Essa formulação acompanha a realidade de quem analisa futebol por imagens de TV: nem todos entram no quadro, e quem entra muda a cada lance.

O que vem agora

O artigo está disponível no arXiv como preprint, submetido em 4 de setembro de 2026. A página do repositório lista ferramentas de citação e serviços associados, como Connected Papers, alphaXiv e Hugging Face, mas o material divulgado não menciona publicação em conferência nem liberação de código. Os autores indicam que os experimentos usam dados públicos de eventos e freeze-frames, o que facilita replicações futuras por outros grupos de pesquisa.