BullingerDB: A Dataset for Handwritten Text Recognition and Writer Retrieval
Die Arbeit stellt BullingerDB vor, einen groß angelegten mehrsprachigen Datensatz von nahezu 21.000 historischen Seiten aus der Korrespondenz Heinrich Bullingers, und bewertet dessen Nutzen für die Handschrifterkennung und die zeitbewusste Schreiberretrieval, wobei sowohl die Modellleistung als auch die durch langfristige stilistische Variationen verursachten Herausforderungen hervorgehoben werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine riesige, staubige Bibliothek vor, die über 20.000 handschriftliche Briefe aus den 1500er Jahren enthält. Dies sind keine gewöhnlichen Briefe; es handelt sich um die Korrespondenz von Heinrich Bullinger, einer berühmten religiösen Führungspersönlichkeit aus der Schweiz, sowie der hunderten von Personen, mit denen er über 50 Jahre hinweg Briefe wechselte.
Die Autoren dieses Papiers, „BullingerDB", haben diesen historischen Schatz in einen riesigen Trainingsraum für Computer verwandelt. Ihr Ziel war es, Maschinen zwei spezifische Fähigkeiten beizubringen: das Lesen dieser unordentlichen alten Briefe und das Herausfinden der Verfasser, selbst wenn sich der Schreibstil der Autoren im Laufe der Zeit änderte.
Hier ist eine Aufschlüsselung dessen, was sie taten, unter Verwendung einiger alltäglicher Analogien:
1. Der Datensatz: Ein „zeitreisendes" Fotoalbum
Stellen Sie sich BullingerDB als ein riesiges, organisiertes Fotoalbum von Handschriften vor.
- Das Volumen: Es enthält fast 500.000 Zeilen Text von 796 verschiedenen Personen.
- Die Vielfalt: Die Verfasser verwendeten verschiedene Sprachen (hauptsächlich Latein und Frühneuhochdeutsch) und wechselten mitten im Satz zwischen ihnen, wie jemand, der auf Englisch und Spanisch gemischt schreibt.
- Die Herausforderung: Die Handschrift ist alles andere als einheitlich. Manche schrieben ordentlich, andere kritzelten. Manche Briefe wurden verfasst, als eine Person jung war, andere, als sie alt war. Es ist wie der Versuch, die Handschrift eines Freundes an einem Brief zu erkennen, den er mit 10 Jahren schrieb, im Vergleich zu einem Brief, den er mit 60 Jahren schrieb.
2. Die erste Aufgabe: Dem Computer das Lesen beibringen (HTR)
Die erste Aufgabe bestand darin, einen Computer diese Briefe lesen und korrekt abtippen zu lassen. Das ist wie die Anstellung eines sehr schnellen, aber sehr müden Schreibers, der einen Stapel handschriftlicher Notizen transkribiert.
- Das Problem: Die Notizen sind alt, die Tinte verblasst und die Wörter stehen in Sprachen, die sich über Jahrhunderte verändert haben.
- Die Lösung: Sie testeten vier verschiedene „KI-Schüler" (Computermodelle), um zu sehen, welches am besten lesen konnte.
- Das Ergebnis: Der beste Schüler, ein Modell namens TrOCR, schaffte es, den Text mit etwa 9 % Fehlern zu lesen.
- Der Haken: Der Computer hatte die größten Schwierigkeiten mit sehr kurzen Textzeilen (wie Adressen auf der Rückseite eines Briefes), da er nicht genug Kontext hatte, um zu erraten, was die Wörter waren. Es ist wie der Versuch, ein Wort aus einem einzigen Buchstaben zu erraten; das ist viel schwieriger als das Erraten aus einem ganzen Satz.
3. Die zweite Aufgabe: Den Autor finden (Writer Retrieval)
Die zweite Aufgabe bestand darin, eine Seite mit Schrift zu betrachten und zu fragen: „Wer hat das geschrieben?" Der Computer musste durch die Bibliothek der 796 Verfasser suchen und den richtigen auswählen.
- Der Twist: Die Autoren fügten eine spezielle Regel hinzu. Da sie genau wussten, wann jeder Brief geschrieben wurde, wollten sie, dass der Computer nicht nur die richtige Person findet, sondern die richtige Person zur richtigen Zeit.
- Analogie: Stellen Sie sich vor, Sie suchen ein Foto Ihres Freundes. Wenn Sie den Computer bitten, „John" zu finden, sollte er Ihnen nicht ein Babyfoto von John zeigen, wenn Sie ein Erwachsenenfoto suchen. Er muss verstehen, dass Johns Gesicht (oder Handschrift) sich mit dem Alter verändert.
- Die neue Metrik: Um dies zu messen, erfanden sie eine neue Kennzahl namens temporal nDCG. Stellen Sie sich dies als einen „Zeitreise-Score" vor. Er belohnt den Computer, wenn er den richtigen Verfasser findet und wenn die anderen vorgeschlagenen Verfasser aus derselben Zeitperiode stammen.
- Das Ergebnis: Der Computer war tatsächlich ziemlich gut darin, die richtige Person zu finden (im Durchschnitt etwa 78 % Genauigkeit). Allerdings war er nicht perfekt darin, sie zu rangieren. Da sich die Handschrift von Menschen über Jahrzehnte so stark verändert, war der Computer manchmal verwirrt darüber, welche Version des Schreibers er betrachtete.
4. Warum dies wichtig ist
Vor diesem Papier hatten Forscher keinen großen genug „Trainingsraum", um Computer auf historische Handschriften zu trainieren, die sich im Laufe der Zeit verändern.
- Die Lücke: Frühere Datensätze waren zu klein oder enthielten nicht genügend Informationen darüber, wer wann schrieb.
- Der Beitrag: BullingerDB ist nun der größte öffentliche Datensatz dieser Art. Es ermöglicht Forschern zu testen, ob ihre KI mit der unordentlichen Realität der Geschichte umgehen kann, in der Menschen die Sprache wechseln, ihren Schreibstil mit dem Alter ändern und in verschiedenen Schriften schreiben.
Zusammenfassung
Kurz gesagt bauten die Autoren eine riesige, zeitlich markierte Bibliothek von Briefen aus dem 16. Jahrhundert, um Computern beizubringen, alte Handschriften zu lesen und Autoren zu identifizieren. Sie stellten fest, dass Computer zwar ziemlich gut darin werden, den Text zu lesen, aber immer noch etwas Schwierigkeiten haben, wenn sich der Stil eines Schreibers über viele Jahre hinweg entwickelt. Sie führten zudem eine neue Methode ein, um die Computer zu bewerten, die sie belohnt, wenn sie den Zeitstrahl der Dokumente verstehen und nicht nur die Namen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.