如何在TensorFlow中训练捕捉棒球球员得分类别联合依赖的模型？

背景 #

我平时爱好给棒球球员的梦幻得分做建模。某场比赛里一支球队有9名首发击球手按顺序上场，我已经用带加权标签平滑的多分类器，训练出每位球员单场比赛中获得不同离散得分的概率分布，目前效果不错，能算出每位球员单场得分的百分位数。

现在我想训练一个能捕捉球员间得分依赖关系的模型。之前试过拟合经验Copula，但发现这种依赖关系会随比赛环境变化——比如在总得分高的比赛里，两名球员同时拿到高分段结果的概率，比总得分低的比赛要高。

理想实现方案 #

我想要的模型大致结构如下：

# 每位球员的得分百分位数数组，每个元素对应一场比赛的结果
batter1_percentiles = [0.11, 0.43, 0.67, 0.51 , ... , 0.33]
...
batter9_percentiles = [0.27, 0.68, 0.44, 0.97 , ... , 0.12]

# 构建模型
model = tf_keras.Sequential([
    tf_keras.layers.Dense(10),
    tf_keras.layers.Dense(5),
    # 这里需要添加合适的层来建模球员间的得分依赖关系
])

model.compile(# 配置优化器、损失函数等训练参数)
model.fit(# 传入训练数据完成模型训练)

# 模型输出可以是每位球员的得分百分位数，也可以是具体的得分类别预测，我没有特别偏好
joint_percentiles = model(x_tst)

# 核心要求：多次调用model(x_tst)需返回不同的结果，
# 大量采样后就能得到单场比赛中所有球员得分的联合概率分布

内容的提问来源于stack exchange，提问作者Steven Kelly