체스 레이팅 챔피언십 우승 비법: Elo++의 혁신

초록

본 논문은 Kaggle “Chess Ratings: Elo vs the Rest of the World” 대회에서 우승한 Elo++ 모델을 소개한다. Elo++는 전통적인 Elo와 동일하게 단일 레이팅을 사용하지만, 경기 수, 경기 시점, 상대 레이팅을 고려한 정규화와 확률적 경사 하강법을 결합해 과적합을 방지한다. 두 개의 전역 파라미터(백색 이점과 정규화 상수)만을 교차 검증으로 최적화한다.

상세 분석

Elo++는 기본적인 Elo 모델의 확률적 예측 구조를 그대로 유지한다. 두 플레이어 i와 j의 레이팅을 r_i, r_j라 할 때, 승리 확률은 로지스틱 함수 p_{ij}=1/(1+e^{-(r_i - r_j + b)}) 로 정의한다. 여기서 b는 백색(White) 플레이어가 갖는 평균적인 이점을 나타내는 전역 파라미터이다. 기존 Elo는 레이팅 업데이트에 고정된 K‑factor를 사용해 최근 경기 결과에 과도하게 반응하거나, 경기 수가 적은 플레이어에 대해 불안정한 추정치를 만든다. Elo++는 이러한 문제를 정규화(term)로 해결한다.

정규화 항은 각 플레이어의 레이팅이 “신뢰도”에 비례해 제한되도록 설계되었다. 구체적으로, 플레이어 i가 참여한 경기 수 n_i와 각 경기의 시점 t_{ik} (k번째 경기) 를 이용해 가중치 w_{ik}=exp(-λ·(T - t_{ik}))를 부여한다. 여기서 T는 전체 데이터의 최신 시점, λ는 시간 감쇠 계수이며, 최근 경기일수록 높은 가중치를 갖는다. 또한, 상대 레이팅 r_{opp}의 평균값을 포함한 “대전 상대 평균”을 정규화에 반영함으로써, 강한 상대와 많이 대전한 플레이어는 레이팅이 과도하게 상승하지 않도록 억제한다. 최종 손실 함수 L은 로그우도 손실과 정규화 항의 가중합으로 표현된다.

L = -∑_{games}