🤖 AI

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

Cet article présente un cadre d'apprentissage profond probabiliste qui traite la datation de manuscrits historiques comme un problème de régression continue, atteignant une précision de l'état de l'art et une calibration supérieure des incertitudes sur le benchmark DIVA-HisDB en produisant des distributions prédictives complètes avec des incertitudes aléatoires et épistémiques décomposées en une seule passe avant.

Auteurs originaux : Ranjith Chodavarapu

Publié 2026-05-18

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ranjith Chodavarapu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous possédiez un tas de lettres anciennes manuscrites du Moyen Âge. Vous souhaitez savoir exactement quand chacune a été écrite. Habituellement, des experts (appelés paléographes) doivent plisser les yeux pour examiner l'écriture, deviner la date et débattre pendant des heures. C'est lent, coûteux, et même les experts sont souvent en désaccord.

Ce papier présente un nouveau type de « machine à remonter le temps par IA » qui ne se contente pas de deviner une date ; il vous indique à quel point il est certain de cette hypothèse.

Voici le détail de son fonctionnement, utilisant des analogies simples :

1. L'Ancienne Méthode vs La Nouvelle Méthode

L'Ancienne Méthode (Classification) : Imaginez essayer de trier du courrier dans trois grands bacs : « années 1800 », « années 1900 » et « années 2000 ». L'ordinateur examine l'écriture et déclare : « Cela date définitivement des années 1900 ». C'est une estimation grossière. Le papier indique que cela est trop vague.
La Devinette Ponctuelle (Régression) : Imaginez que l'ordinateur vous donne une année précise, comme « 1245 ». C'est plus précis, mais c'est comme un lanceur de fléchettes qui touche le centre de la cible sans vous dire s'il a eu de la chance ou s'il est un maître. Si l'ordinateur se trompe, vous n'en avez aucune idée.
La Nouvelle Méthode (Probabiliste/Évidentielle) : C'est l'invention de ce papier. Au lieu de lancer une seule fléchette, l'ordinateur lance un nuage de fléchettes et dessine une forme autour de l'endroit où elles sont tombées. Il dit : « Je pense que c'est 1245, mais je suis sûr à 90 % que cela se situe entre 1240 et 1250 ». Crucialement, il décompose pourquoi il est incertain :
- Incertitude Aléatoire (Le facteur « Encre Sale ») : L'écriture elle-même est fanée, effacée ou tracée par une main tremblante. Même un expert humain serait confus. L'IA admet : « Les preuves sont simplement mauvaises. »
- Incertitude Épistémique (Le facteur « Je n'ai Jamais Vu Cela ») : L'IA n'a jamais vu ce style d'écriture auparavant. Elle dit : « Je ne sais pas ce que c'est parce que je ne l'ai pas étudié. »

2. Comment l'IA « Pense »

Les chercheurs ont construit un réseau de neurones (un type de cerveau artificiel) qui examine de minuscules carrés de patchs sur les pages du manuscrit.

Le Cerveau : Ils ont utilisé un cerveau pré-entraîné appelé EfficientNet, qui est déjà bon pour reconnaître les formes et les textures.
La Tête Spéciale : Ils ont ajouté un « calculateur » spécial au-dessus du cerveau. Au lieu de simplement produire un nombre (l'année), il produit une distribution de probabilité complète. Pensez-y comme une prévision météo qui ne dit pas seulement « Il va pleuvoir », mais vous donne une courbe en cloche montrant la chance d'une bruine légère par rapport à un ouragan.
L'Entraînement : Ils ont enseigné à l'IA en utilisant une astuce mathématique spéciale (Régression Évidentielle Profonde) qui l'oblige à apprendre à la fois la date et son propre niveau de confiance en un seul coup d'œil.

3. Les Résultats : À quel point est-elle bonne ?

L'équipe a testé cela sur un célèbre ensemble de données de 150 pages médiévales (DIVA-HisDB).

Précision : L'IA a deviné l'année avec une erreur moyenne de seulement 5,4 ans. C'est incroyablement précis étant donné que l'écriture a 1 000 ans.
Calibration (Le « Jauge de Confiance ») : C'est la plus grande victoire du papier.
- D'autres méthodes (comme les « Deep Ensembles » ou le « MC Dropout ») étaient soit très précises mais trop confiantes (disant « Je suis sûr à 100 % » alors qu'elles se trompaient), soit bien calibrées mais très lentes (nécessitant 50 essais pour obtenir une réponse).
- La nouvelle IA est rapide (un seul coup d'œil) et honnête. Quand elle dit « Je suis confiante à 90 % », elle a raison 92,6 % du temps. C'est comme un météorologue qui a raison presque à chaque fois qu'il dit « 90 % de chances de pluie ».
Le Super-pouvoir « Sélectif » : Parce que l'IA sait quand elle est incertaine, vous pouvez lui demander de « ne me montrer que les réponses dont vous êtes sûr à 100 % ».
- Si vous filtrez les pages troubles et incertaines pour ne regarder que les 20 % supérieures des prédictions confiantes, l'erreur chute à 0,5 an.
- Analogie : Imaginez un bibliothécaire qui dit : « Je ne peux pas lire cette page effacée, mais pour les 20 pages les plus claires, je peux vous dire l'année exacte au mois près. »

4. Ce que l'IA Voit

Les chercheurs ont utilisé des « cartes thermiques » (comme des caméras thermiques) pour voir ce que l'IA regardait.

Bonnes Indices : L'IA s'est concentrée sur les traits d'encre réels et les formes des lettres.
Mauvais Indices : Lorsque l'encre était fanée ou le papier flou, le « compteur d'incertitude » de l'IA augmentait. Elle a correctement identifié que la qualité de l'image était le problème, et non son propre intelligence.
Le Test de l'« Encre Fanée » : L'IA a constaté que lorsque l'encre était pâle, son « incertitude aléatoire » (le facteur « encre sale ») a grimpé en flèche. Cela prouve que l'IA apprend réellement l'état physique du manuscrit, et non pas seulement mémorise des motifs.

5. Pourquoi Cela Compte pour l'Histoire

Le papier soutient que cet outil résout un goulot d'étranglement majeur dans les bibliothèques.

Le Flux de Travail : Imaginez un projet de numérisation massif avec des millions de pages. Vous ne pouvez pas avoir un expert humain examiner chacune d'elles.
La Solution : Faites tourner l'IA sur tout.
- Si l'IA est confiante, elle date automatiquement la page et l'archive.
- Si l'IA est incertaine (parce que l'encre est fanée ou l'écriture bizarre), elle signale cette page et l'envoie à un expert humain pour un deuxième examen.
L'Avantage : Cela économise du temps et de l'argent. Cela permet aux humains de se concentrer uniquement sur les cas difficiles, tandis que l'IA gère les cas faciles et clairs.

Résumé

Ce papier présente une nouvelle IA qui ne se contente pas de deviner l'âge d'une écriture ancienne ; elle agit comme un expert humble qui connaît les limites de sa propre connaissance. Elle est rapide, précise et, surtout, elle vous indique quand elle devine et quand elle est certaine, permettant aux historiens de faire confiance à la machine pour les tâches faciles et d'intervenir pour les tâches difficiles.

Résumé Technique : Datation Probabiliste de Manuscrits Historiques par Régression Profonde Évidentielle

Formulation du Problème
L'article aborde le défi de l'estimation de la date d'écriture de manuscrits historiques en utilisant uniquement des caractéristiques visuelles. Les approches automatisées traditionnelles ont reposé soit sur la classification (discretisation des dates en tranches de siècle), soit sur la régression ponctuelle (prédiction d'une année unique). Les auteurs soutiennent que la classification manque de précision (entraînant une erreur absolue moyenne élevée, ou MAE), tandis que la régression ponctuelle échoue à quantifier la confiance, laissant les historiens sans le signal nécessaire pour évaluer la fiabilité. Le problème central est reformulé comme une tâche d'inférence probabiliste : au lieu d'une estimation ponctuelle unique, l'objectif est de produire une distribution prédictive complète sur un axe continu d'années, décomposant explicitement l'incertitude en composantes aléatoire (bruit de données irréductible, tel que l'ambiguïté de l'écriture manuelle) et épistémique (ignorance du modèle).

Méthodologie
La solution proposée utilise la Régression Profonde Évidentielle, un cadre qui modélise les paramètres d'une fonction de vraisemblance à l'aide d'une loi a priori d'ordre supérieur.

Architecture : Le modèle emploie un backbone EfficientNet-B2 (préentraîné sur ImageNet) pour extraire des caractéristiques visuelles de patches de manuscrits (224×224 pixels). Ces caractéristiques sont transmises à une couche entièrement connectée et à une tête de sortie Normal-Inverse-Gamma (NIG).
Sortie : Le réseau produit quatre paramètres ( $\gamma, \nu, \alpha, \beta$ $γ, ν, α, β$ ) définissant une distribution NIG. La moyenne prédictive est $\hat{y} = \gamma$ $\overset{y}{^} = γ$ . La variance prédictive totale est décomposée analytiquement en :
- Incertitude aléatoire : $\frac{\beta}{\alpha-1}$ , représentant le bruit irréductible dans les données (par exemple, encre effacée, mains mélangées).
- Incertitude épistémique : Pondérée par $\frac{1}{\nu}$ , représentant l'ignorance du modèle, qui diminue à mesure que le modèle accumule des preuves.
Objectif d'Entraînement : Le modèle est entraîné à l'aide d'une fonction de perte conjointe comprenant la Négative Log-Vraisemblance (NLL) de la distribution NIG et un terme de régularisation par les preuves. Ce régularisateur pénalise l'accumulation de fortes preuves ( $\nu$ ) pour des prédictions incorrectes, empêchant le modèle de devenir trop confiant face à des données erronées.
Inférence : Contrairement au Dropout de Monte Carlo (qui nécessite 50 passes stochastiques) ou aux Ensembles Profonds (qui nécessitent 5 modèles), cette approche génère la distribution prédictive complète et les incertitudes décomposées en une seule passe avant.

Contributions Clés

Première Formulation Probabiliste : Ce travail introduit le premier cadre de régression profonde évidentielle pour la datation de manuscrits, permettant la décomposition de l'incertitude en composantes aléatoire et épistémique.
Calibration et Efficacité : Le modèle atteint la meilleure calibration parmi les méthodes de quantification d'incertitude (UQ) comparées (PICP=92,6 %) tout en maintenant une précision compétitive, le tout en une seule passe d'inférence.
Prédiction Sélective : Le cadre permet la « prédiction sélective », où le système peut filtrer les prédictions incertaines. En ne conservant que les 20 % de patches les plus certains, le modèle atteint une précision inférieure à l'année (MAE de 0,5 an) malgré un entraînement avec une granularité de supervision au niveau du siècle.
Corrélation Incertitude-Erreur : L'étude démontre que l'incertitude aléatoire est un prédicteur fort de l'erreur de datation (Spearman $\rho = 0,729$ ), permettant au modèle d'identifier des régions spécifiques du script (par exemple, encre pâle, ligatures) qui causent l'ambiguïté.

Résultats Expérimentaux
Évalué sur le benchmark DIVA-HisDB (150 pages provenant de trois codex médiévaux, 151 936 patches), le modèle a obtenu les résultats suivants :

Précision : Une MAE de test de 5,4 ans, surpassant significativement une base de référence de classificateur CNN (47,1 ans) et étant comparable à un régresseur ponctuel (2,8 ans), mais avec l'avantage supplémentaire de l'estimation d'incertitude.
Précision : 93 % des patches ont été datés dans une marge de 5 ans, et 97 % dans une marge de 10 ans.
Calibration : Le modèle a atteint une Probabilité de Couverture de l'Intervalle de Prédiction (PICP) de 92,6 % au niveau de confiance de 90 %. Cela surpassait le Dropout MC (PICP de 88,2 %, nécessitant 50 passes) et les Ensembles Profonds (PICP de 79,7 %, nécessitant 5 modèles).
Robustesse à la Dégradation : L'incertitude prédite augmentait de manière monotone avec la dégradation de l'image (flou et compression JPEG), servant d'indicateur pratique de la qualité de l'image et de la nécessité de re-numérisation.
Agrégation au Niveau de la Page : L'agrégation des prédictions de patches au niveau de la page a réduit la MAE à 4,5 ans et établi une corrélation quasi parfaite ( $\rho = 0,905$ ) entre l'incertitude au niveau de la page et l'erreur au niveau de la page, classant efficacement les pages par difficulté de datation.

Signification et Revendications
L'article revendique que cette approche répond directement à un goulot d'étranglement dans la numérisation de masse des manuscrits médiévaux. En fournissant une estimation probabiliste calibrée, le système permet un flux de travail où les prédictions certaines sont automatisées tandis que les incertaines sont signalées pour examen par un expert. Les auteurs soulignent que la capacité à échanger la couverture contre la précision (via des seuils d'incertitude) est une capacité unique des modèles probabilistes, offrant un outil pratique pour les conservateurs et les historiens.

Cependant, l'article maintient une portée modeste concernant les limites. Il reconnaît que le modèle agit actuellement comme un interpolateur au sein de la distribution connue des trois familles de scripts d'entraînement. Il note que l'incertitude épistémique n'a pas augmenté pour les manuscrits hors distribution (OOD), suggérant que le modèle manque de « chevauchement stylistique » nécessaire pour reconnaître des scripts véritablement nouveaux comme familiers. Les auteurs suggèrent que les déploiements futurs nécessiteraient des données d'entraînement plus diversifiées (par exemple, CLaMM ou e-codices) pour améliorer la généralisation à des familles de scripts non vues.