🤖 AI

Probabilistic Dating of Historical Manuscripts via Evidential Deep Regression on Visual Script Features

Este artículo presenta un marco de aprendizaje profundo probabilístico que trata la datación de manuscritos históricos como un problema de regresión continua, logrando una precisión de vanguardia y una calibración de incertidumbre superior en la referencia DIVA-HisDB al generar distribuciones predictivas completas con incertidumbres aleatorias y epistémicas descompuestas en una sola pasada hacia adelante.

Autores originales: Ranjith Chodavarapu

Publicado 2026-05-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ranjith Chodavarapu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes una pila de cartas manuscritas antiguas de la Edad Media. Quieres saber exactamente cuándo fue escrita cada una. Por lo general, los expertos (llamados paleógrafos) tienen que entrecerrar los ojos para observar la escritura, adivinar la fecha y discutir durante horas. Es lento, costoso e incluso los expertos a menudo no se ponen de acuerdo.

Este artículo presenta un nuevo tipo de "máquina del tiempo de IA" que no solo adivina una fecha; te dice qué tan seguro está de esa suposición.

Aquí tienes el desglose de cómo funciona, utilizando analogías simples:

1. La forma antigua vs. la nueva forma

La forma antigua (Clasificación): Imagina intentar clasificar el correo en tres grandes contenedores: "1800s", "1900s" y "2000s". La computadora observa la escritura y dice: "Esto es definitivamente de los 1900s". Es una suposición aproximada. El artículo dice que esto es demasiado vago.
La suposición puntual (Regresión): Imagina que la computadora te da un año específico, como "1245". Es más preciso, pero es como un lanzador de dardos que da en el blanco pero no te dice si tuvo suerte o si es un maestro. Si la computadora se equivoca, no tienes idea.
La nueva forma (Probabilística/Evidencial): Esta es la invención del artículo. En lugar de lanzar una sola dardo, la computadora lanza una nube de dardos y dibuja una forma alrededor de donde aterrizaron. Dice: "Creo que es 1245, pero tengo un 90% de certeza de que está entre 1240 y 1250". Crucialmente, desglosa por qué no está segura:
- Incertidumbre aleatoria (El factor "tinta desordenada"): La escritura en sí está desvanecida, borrosa o escrita por una mano temblorosa. Incluso un experto humano estaría confundido. La IA admite: "La evidencia simplemente es mala".
- Incertidumbre epistémica (El factor "nunca he visto esto"): La IA no ha visto este estilo de escritura antes. Está diciendo: "No sé qué es esto porque no lo he estudiado".

2. Cómo "piensa" la IA

Los investigadores construyeron una red neuronal (un tipo de cerebro de IA) que observa pequeños parches cuadrados de las páginas del manuscrito.

El cerebro: Utilizaron un cerebro preentrenado llamado EfficientNet, que ya es bueno reconociendo formas y texturas.
La cabeza especial: Añadieron una "calculadora" especial encima del cerebro. En lugar de solo emitir un número (el año), emite toda una distribución de probabilidad. Piensa en ello como un pronóstico del tiempo que no solo dice "lloverá", sino que te da una curva de campana que muestra la probabilidad de llovizna ligera frente a un huracán.
El entrenamiento: Enseñaron a la IA usando un truco matemático especial (Regresión Profunda Evidencial) que la obliga a aprender tanto la fecha como su propio nivel de confianza en una sola mirada.

3. Los resultados: ¿Qué tan buena es?

El equipo probó esto en un famoso conjunto de datos de 150 páginas medievales (DIVA-HisDB).

Precisión: La IA adivinó el año con un error promedio de solo 5.4 años. Eso es increíblemente preciso considerando que la escritura tiene 1,000 años.
Calibración (El medidor de "confianza"): Este es el mayor triunfo del artículo.
- Otros métodos (como "Deep Ensembles" o "MC Dropout") eran o bien muy precisos pero demasiado confiados (diciendo "tengo un 100% de certeza" cuando se equivocaban) o bien bien calibrados pero muy lentos (necesitando 50 intentos para obtener una respuesta).
- La nueva IA es rápida (una sola mirada) y honesta. Cuando dice "tengo un 90% de confianza", en realidad tiene razón el 92.6% de las veces. Es como un meteorólogo que tiene razón casi todas las veces que dice "90% de probabilidad de lluvia".
El superpoder "selectivo": Como la IA sabe cuándo no está segura, puedes pedirle que "solo muéstrame las respuestas de las que estás 100% segura".
- Si filtras las páginas desordenadas e inciertas y solo miras el 20% superior de las predicciones confiables, el error baja a 0.5 años.
- Analogía: Imagina un bibliotecario que dice: "No puedo leer esta página borrosa, pero para las 20 páginas más claras, puedo decirte el año exacto hasta el mes".

4. Lo que ve la IA

Los investigadores utilizaron "mapas de calor" (como cámaras térmicas) para ver a qué estaba mirando la IA.

Pistas buenas: La IA se centró en los trazos reales de tinta y las formas de las letras.
Pistas malas: Cuando la tinta estaba desvanecida o el papel borroso, el "medidor de incertidumbre" de la IA subió. Identificó correctamente que el problema era la calidad de la imagen, no su propia inteligencia.
La prueba de "tinta desvanecida": La IA descubrió que cuando la tinta era tenue, su "incertidumbre aleatoria" (el factor "tinta desordenada") se disparó. Esto demuestra que la IA realmente está aprendiendo sobre el estado físico del manuscrito, no solo memorizando patrones.

5. Por qué esto importa para la historia

El artículo argumenta que esta herramienta resuelve un gran cuello de botella en las bibliotecas.

El flujo de trabajo: Imagina un proyecto masivo de digitalización con millones de páginas. No puedes tener a un experto humano mirar cada una.
La solución: Ejecuta la IA en todo.
- Si la IA está segura, fecha automáticamente la página y la archiva.
- Si la IA está insegura (porque la tinta está desvanecida o la escritura es extraña), marca esa página y la envía a un experto humano para una segunda mirada.
El beneficio: Esto ahorra tiempo y dinero. Permite que los humanos se concentren solo en los casos difíciles, mientras la IA maneja los fáciles y claros.

Resumen

Este artículo presenta una nueva IA que no solo adivina la edad de la escritura antigua; actúa como un experto humilde que conoce los límites de su propio conocimiento. Es rápida, precisa y, lo más importante, te dice cuándo está adivinando y cuándo está segura, permitiendo a los historiadores confiar en la máquina para los trabajos fáciles e intervenir en los difíciles.

Resumen Técnico: Datación Probabilística de Manuscritos Históricos mediante Regresión Profunda Evidencial

Formulación del Problema
El artículo aborda el desafío de estimar la fecha de autoría de manuscritos históricos utilizando únicamente características visuales. Los enfoques automatizados tradicionales han dependido de clasificación (discretizando las fechas en intervalos de siglo) o regresión puntual (prediciendo un único año). Los autores argumentan que la clasificación carece de precisión (resultando en un Error Absoluto Medio, o MAE, alto), mientras que la regresión puntual falla en cuantificar la confianza, dejando a los historiadores sin la señal necesaria para evaluar la fiabilidad. El problema central se reencuadra como una tarea de inferencia probabilística: en lugar de una estimación puntual única, el objetivo es generar una distribución predictiva completa sobre un eje continuo de años que descomponga explícitamente la incertidumbre en componentes aleatorios (ruido de datos irreducible, como la ambigüedad del escriba) y epistémicos (ignorancia del modelo).

Metodología
La solución propuesta utiliza Regresión Profunda Evidencial, un marco que modela los parámetros de una función de verosimilitud mediante un prior de orden superior.

Arquitectura: El modelo emplea una base EfficientNet-B2 (preentrenada en ImageNet) para extraer características visuales de parches de manuscritos (224×224 píxeles). Estas características se pasan a través de una capa totalmente conectada y una cabecera de salida Normal-Inverse-Gamma (NIG).
Salida: La red genera cuatro parámetros ( $\gamma, \nu, \alpha, \beta$ $γ, ν, α, β$ ) que definen una distribución NIG. La media predictiva es $\hat{y} = \gamma$ $\overset{y}{^} = γ$ . La varianza predictiva total se descompone analíticamente en:
- Incertidumbre aleatoria: $\frac{\beta}{\alpha-1}$ , que representa el ruido irreducible en los datos (ej. tinta desvanecida, manos mixtas).
- Incertidumbre epistémica: Escalada por $\frac{1}{\nu}$ , que representa la ignorancia del modelo, la cual disminuye a medida que el modelo acumula evidencia.
Objetivo de Entrenamiento: El modelo se entrena utilizando una función de pérdida conjunta que comprende la Negativa Log-Verosimilitud (NLL) de la distribución NIG y un término de regularización de evidencia. Este regularizador penaliza la acumulación de alta evidencia ( $\nu$ ) para predicciones incorrectas, evitando que el modelo se vuelva excesivamente seguro sobre datos erróneos.
Inferencia: A diferencia del Dropout de Monte Carlo (que requiere 50 pasadas estocásticas) o los Ensembles Profundos (que requieren 5 modelos), este enfoque genera la distribución predictiva completa y las incertidumbres descompuestas en una única pasada hacia adelante.

Contribuciones Clave

Primera Formulación Probabilística: Este trabajo introduce el primer marco de regresión profunda evidencial para la datación de manuscritos, permitiendo la descomposición de la incertidumbre en componentes aleatorios y epistémicos.
Calibración y Eficiencia: El modelo logra la mejor calibración entre los métodos de cuantificación de incertidumbre (UQ) comparados (PICP=92.6%) manteniendo una precisión competitiva, todo ello dentro de una sola pasada de inferencia.
Predicción Selectiva: El marco permite la "predicción selectiva", donde el sistema puede filtrar predicciones inciertas. Al retener solo los 20% superiores de parches más ciertos, el modelo logra una precisión subanual (0.5 años MAE) a pesar de haber sido entrenado con granularidad de supervisión a nivel de siglo.
Correlación Incertidumbre-Error: El estudio demuestra que la incertidumbre aleatoria es un fuerte predictor del error de datación (Spearman $\rho = 0.729$ ), permitiendo al modelo identificar regiones específicas del texto (ej. tinta tenue, ligaduras) que causan ambigüedad.

Resultados Experimentales
Evaluado en el benchmark DIVA-HisDB (150 páginas de tres códices medievales, 151.936 parches), el modelo logró lo siguiente:

Precisión: Un MAE de prueba de 5.4 años, superando significativamente a una línea base de clasificador CNN (47.1 años) y siendo comparable a un regresor puntual (2.8 años), pero con el beneficio añadido de la estimación de incertidumbre.
Precisión: El 93% de los parches fueron datados dentro de un margen de 5 años, y el 97% dentro de 10 años.
Calibración: El modelo logró una Probabilidad de Cobertura del Intervalo de Predicción (PICP) de 92.6% al nivel de confianza del 90%. Esto superó al Dropout MC (88.2% PICP, requiriendo 50 pasadas) y a los Ensembles Profundos (79.7% PICP, requiriendo 5 modelos).
Robustez ante Degradación: La incertidumbre predicha aumentó monótonamente con la degradación de la imagen (desenfoque y compresión JPEG), sirviendo como un indicador práctico de la calidad de la imagen y la necesidad de reescanear.
Agregación a Nivel de Página: La agregación de las predicciones de parche a nivel de página redujo el MAE a 4.5 años y estableció una correlación casi perfecta ( $\rho = 0.905$ ) entre la incertidumbre a nivel de página y el error a nivel de página, clasificando efectivamente las páginas por dificultad de datación.

Significado y Afirmaciones
El artículo afirma que este enfoque aborda directamente un cuello de botella en la digitalización masiva de manuscritos medievales. Al proporcionar una estimación probabilística calibrada, el sistema permite un flujo de trabajo donde las predicciones seguras se automatizan mientras que las inciertas se señalan para revisión experta. Los autores enfatizan que la capacidad de intercambiar cobertura por precisión (mediante umbrales de incertidumbre) es una capacidad única de los modelos probabilísticos, ofreciendo una herramienta práctica para curadores e historiadores.

Sin embargo, el artículo mantiene un alcance modesto en cuanto a limitaciones. Reconoce que el modelo actúa actualmente como un interpolador dentro de la distribución conocida de las tres familias de escrituras de entrenamiento. Señala que la incertidumbre epistémica no aumentó para manuscritos fuera de distribución (OOD), lo que sugiere que el modelo carece de la "superposición estilística" necesaria para reconocer escrituras verdaderamente novedosas como desconocidas. Los autores sugieren que implementaciones futuras requerirían datos de entrenamiento más diversos (ej. CLaMM o e-codices) para mejorar la generalización a familias de escrituras no vistas.