🤖 AI

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

Questo articolo introduce un framework di deep learning probabilistico che tratta la datazione dei manoscritti storici come un problema di regressione continua, ottenendo accuratezza all'avanguardia e una calibrazione superiore dell'incertezza sul benchmark DIVA-HisDB mediante l'output di distribuzioni predittive complete con incertezze aleatorie ed epistemiche decomposte in un singolo passaggio in avanti.

Autori originali: Ranjith Chodavarapu

Pubblicato 2026-05-18

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Ranjith Chodavarapu

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di avere un mucchio di antiche lettere manoscritte del Medioevo. Vuoi sapere esattamente quando è stata scritta ciascuna di esse. Di solito, gli esperti (chiamati paleografi) devono strizzare gli occhi sulla calligrafia, indovinare la data e discutere per ore. È lento, costoso e persino gli esperti spesso non sono d'accordo.

Questo articolo introduce un nuovo tipo di "macchina del tempo AI" che non si limita a indovinare una data; ti dice quanto è sicura di quella supposizione.

Ecco la spiegazione di come funziona, utilizzando semplici analogie:

1. Il Vecchio Metodo vs. Il Nuovo Metodo

Il Vecchio Metodo (Classificazione): Immagina di cercare di ordinare la posta in tre grandi cestini: "1800", "1900" e "2000". Il computer guarda la calligrafia e dice: "Questa è sicuramente del 1900". È una stima approssimativa. L'articolo afferma che questo è troppo vago.
La Stima Puntuale (Regressione): Immagina che il computer ti dia un anno specifico, come "1245". È più preciso, ma è come un tiratore di dardi che centra il bersaglio ma non ti dice se è stato fortunato o se è un maestro. Se il computer sbaglia, non ne hai idea.
Il Nuovo Metodo (Probabilistico/Evidenziale): Questa è l'invenzione dell'articolo. Invece di lanciare una sola freccetta, il computer lancia una nuvola di freccette e disegna una forma intorno a dove sono atterrate. Dice: "Penso sia il 1245, ma sono sicuro al 90% che sia tra il 1240 e il 1250". Crucialmente, spiega perché non è sicuro:
- Incertezza Aleatoria (Il fattore "Inchiostro Sporco"): La calligrafia stessa è sbiadita, macchiata o scritta da una mano tremante. Anche un esperto umano sarebbe confuso. L'AI ammette: "Le prove sono semplicemente scarse".
- Incertezza Epistemica (Il fattore "Non l'ho mai visto prima"): L'AI non ha mai visto questo stile di scrittura prima. Sta dicendo: "Non so cos'è questo perché non l'ho studiato".

2. Come "Pensa" l'AI

I ricercatori hanno costruito una rete neurale (un tipo di cervello AI) che guarda piccoli quadrati di patch delle pagine del manoscritto.

Il Cervello: Hanno usato un cervello pre-addestrato chiamato EfficientNet, che è già bravo a riconoscere forme e texture.
La Testa Speciale: Hanno aggiunto un "calcolatore" speciale sopra il cervello. Invece di produrre solo un numero (l'anno), produce un'intera distribuzione di probabilità. Pensa a una previsione meteorologica che non dice solo "Pioverà", ma ti dà una curva a campana che mostra la probabilità di una leggera pioggerella rispetto a un uragano.
L'Addestramento: Hanno insegnato all'AI usando un trucco matematico speciale (Regressione Profonda Evidenziale) che la costringe ad apprendere sia la data che il suo stesso livello di confidenza in un'unica occhiata.

3. I Risultati: Quanto è Brava?

Il team ha testato questo su un famoso dataset di 150 pagine medievali (DIVA-HisDB).

Accuratezza: L'AI ha indovinato l'anno con un errore medio di soli 5,4 anni. È incredibilmente preciso considerando che la calligrafia ha 1.000 anni.
Calibrazione (Il Misuratore di "Fiducia"): Questo è il più grande successo dell'articolo.
- Altri metodi (come "Deep Ensembles" o "MC Dropout") erano o molto accurati ma troppo sicuri di sé (dicendo "Sono sicuro al 100%" quando sbagliavano) o ben calibrati ma molto lenti (avendo bisogno di 50 tentativi per ottenere una risposta).
- La nuova AI è veloce (un'occhiata) e onesta. Quando dice "Sono sicuro al 90%", ha ragione effettivamente nel 92,6% dei casi. È come un meteorologo che ha ragione quasi ogni volta che dice "90% di probabilità di pioggia".
Il Superpotere "Selettivo": Poiché l'AI sa quando non è sicura, puoi dirle di "mostrami solo le risposte di cui è sicura al 100%".
- Se filtri le pagine confuse e incerte e guardi solo il 20% superiore delle previsioni più confidenti, l'errore scende a 0,5 anni.
- Analogia: Immagina un bibliotecario che dice: "Non riesco a leggere questa pagina macchiata, ma per le 20 pagine più chiare, posso dirti l'anno esatto fino al mese".

4. Cosa Vede l'AI

I ricercatori hanno usato "mappe di calore" (come le telecamere termiche) per vedere cosa stava guardando l'AI.

Indizi Buoni: L'AI si è concentrata sui tratti d'inchiostro reali e sulle forme delle lettere.
Indizi Cattivi: Quando l'inchiostro era sbiadito o la carta sfocata, il "misuratore di incertezza" dell'AI è salito. Ha correttamente identificato che il problema era la qualità dell'immagine, non la sua intelligenza.
Il Test "Inchiostro Sbiadito": L'AI ha scoperto che quando l'inchiostro era debole, la sua "incertezza aleatoria" (il fattore "inchiostro sporco") è schizzata alle stelle. Questo dimostra che l'AI sta effettivamente imparando lo stato fisico del manoscritto, non sta solo memorizzando schemi.

5. Perché Questo è Importante per la Storia

L'articolo sostiene che questo strumento risolve un collo di bottiglia maggiore nelle biblioteche.

Il Flusso di Lavoro: Immagina un enorme progetto di digitalizzazione con milioni di pagine. Non puoi avere un esperto umano che ne guardi ogni singola.
La Soluzione: Esegui l'AI su tutto.
- Se l'AI è sicura, data automaticamente la pagina e la archivia.
- Se l'AI è incerta (perché l'inchiostro è sbiadito o la calligrafia è strana), segnala quella pagina e la invia a un esperto umano per un secondo controllo.
Il Vantaggio: Questo fa risparmiare tempo e denaro. Permette agli umani di concentrarsi solo sui casi difficili, mentre l'AI gestisce quelli facili e chiari.

Riepilogo

Questo articolo presenta una nuova AI che non si limita a indovinare l'età della calligrafia antica; agisce come un esperto umile che conosce i limiti della propria conoscenza. È veloce, accurata e, soprattutto, ti dice quando sta indovinando e quando è certa, permettendo agli storici di fidarsi della macchina per i lavori facili e di intervenire per quelli difficili.

Riepilogo Tecnico: Datazione Probabilistica di Manoscritti Storici tramite Regressione Profonda Evidenziale

Formulazione del Problema
Il lavoro affronta la sfida di stimare la data di autografia di manoscritti storici utilizzando esclusivamente caratteristiche visive. Gli approcci automatizzati tradizionali si sono basati sulla classificazione (discretizzando le date in intervalli di dimensioni secolari) o sulla regressione puntuale (prevedendo un singolo anno). Gli autori sostengono che la classificazione manca di precisione (risultando in un Elevato Errore Assoluto Medio, o MAE), mentre la regressione puntuale non riesce a quantificare la confidenza, lasciando gli storici senza il segnale necessario per valutare l'affidabilità. Il problema centrale viene riformulato come un compito di inferenza probabilistica: invece di una singola stima puntuale, l'obiettivo è generare un'intera distribuzione predittiva su un asse continuo degli anni che scompone esplicitamente l'incertezza in componenti aleatorie (rumore dei dati irriducibile, come l'ambiguità dello scriba) ed epistemiche (ignoranza del modello).

Metodologia
La soluzione proposta utilizza la Regressione Profonda Evidenziale, un framework che modella i parametri di una funzione di verosimiglianza utilizzando un prior di ordine superiore.

Architettura: Il modello impiega un backbone EfficientNet-B2 (pre-addestrato su ImageNet) per estrarre caratteristiche visive da patch di manoscritti (224×224 pixel). Queste caratteristiche vengono inviate a un livello completamente connesso e a un livello di output Normal-Inverse-Gamma (NIG).
Output: La rete produce quattro parametri ( $\gamma, \nu, \alpha, \beta$ $γ, ν, α, β$ ) che definiscono una distribuzione NIG. La media predittiva è $\hat{y} = \gamma$ $\overset{y}{^} = γ$ . La varianza predittiva totale è analiticamente scomposta in:
- Incertezza aleatoria: $\frac{\beta}{\alpha-1}$ , che rappresenta il rumore irriducibile nei dati (es. inchiostro sbiadito, mani miste).
- Incertezza epistemica: Scalata da $\frac{1}{\nu}$ , che rappresenta l'ignoranza del modello, la quale diminuisce man mano che il modello accumula evidenze.
Obiettivo di Addestramento: Il modello è addestrato utilizzando una funzione di perdita congiunta composta dalla Negativa Log-Likelihood (NLL) della distribuzione NIG e da un termine di regolarizzazione dell'evidenza. Questo regolarizzatore penalizza l'accumulo di alta evidenza ( $\nu$ ) per previsioni errate, impedendo al modello di diventare eccessivamente sicuro su dati errati.
Inferenza: A differenza del Monte Carlo Dropout (che richiede 50 passaggi stocastici) o degli Ensemble Profondi (che richiedono 5 modelli), questo approccio genera l'intera distribuzione predittiva e le incertezze scomposte in un singolo passaggio in avanti.

Principali Contributi

Prima Formulazione Probabilistica: Questo lavoro introduce il primo framework di regressione profonda evidenziale per la datazione di manoscritti, consentendo la scomposizione dell'incertezza in componenti aleatorie ed epistemiche.
Calibrazione ed Efficienza: Il modello ottiene la migliore calibrazione tra i metodi di quantificazione dell'incertezza (UQ) confrontati (PICP=92.6%) mantenendo al contempo una precisione competitiva, il tutto in un singolo passaggio di inferenza.
Predizione Selettiva: Il framework abilita la "predizione selettiva", dove il sistema può filtrare le previsioni incerte. Mantenendo solo le patch più certe del 20% superiore, il modello raggiunge una precisione sub-annuale (0.5 anni MAE) nonostante sia stato addestrato con una granularità di supervisione a livello secolare.
Correlazione Incertezza-Errore: Lo studio dimostra che l'incertezza aleatoria è un forte predittore dell'errore di datazione (Spearman $\rho = 0.729$ ), permettendo al modello di identificare specifiche regioni di scrittura (es. inchiostro fioco, legature) che causano ambiguità.

Risultati Sperimentali
Valutato sul benchmark DIVA-HisDB (150 pagine da tre codici medievali, 151.936 patch), il modello ha ottenuto i seguenti risultati:

Precisione: Un MAE di test di 5.4 anni, superando significativamente una baseline di classificatore CNN (47.1 anni) e risultando comparabile a un regressore puntuale (2.8 anni), ma con il beneficio aggiuntivo della stima dell'incertezza.
Precisione: Il 93% delle patch è stato datato entro 5 anni e il 97% entro 10 anni.
Calibrazione: Il modello ha raggiunto una Probabilità di Copertura dell'Intervallo di Predizione (PICP) del 92.6% al livello di confidenza del 90%. Questo ha superato il MC Dropout (PICP 88.2%, richiedente 50 passaggi) e gli Ensemble Profondi (PICP 79.7%, richiedenti 5 modelli).
Robustezza al Degrado: L'incertezza predetta è aumentata monotonicamente con il degrado dell'immagine (sfocatura e compressione JPEG), fungendo da indicatore pratico per la qualità dell'immagine e la necessità di una nuova scansione.
Aggregazione a Livello di Pagina: L'aggregazione delle previsioni delle patch a livello di pagina ha ridotto il MAE a 4.5 anni e ha stabilito una correlazione quasi perfetta ( $\rho = 0.905$ ) tra incertezza a livello di pagina ed errore a livello di pagina, classificando efficacemente le pagine per difficoltà di datazione.

Significato e Affermazioni
Il lavoro afferma che questo approccio affronta direttamente un collo di bottiglia nella digitalizzazione di massa dei manoscritti medievali. Fornendo una stima probabilistica calibrata, il sistema abilita un flusso di lavoro in cui le previsioni certe sono automatizzate mentre quelle incerte vengono segnalate per la revisione da parte di esperti. Gli autori sottolineano che la capacità di scambiare la copertura con la precisione (tramite soglie di incertezza) è una capacità unica dei modelli probabilistici, offrendo uno strumento pratico per curatori e storici.

Tuttavia, il lavoro mantiene un ambito modesto riguardo alle limitazioni. Riconosce che il modello agisce attualmente come un interpolatore all'interno della distribuzione nota delle tre famiglie di script di addestramento. Osserva che l'incertezza epistemica non è aumentata bruscamente per manoscritti fuori distribuzione (OOD), suggerendo che il modello manca della "sovrapposizione stilistica" necessaria per riconoscere script veramente nuovi come sconosciuti. Gli autori suggeriscono che le future implementazioni richiederebbero dati di addestramento più diversificati (es. CLaMM o e-codices) per migliorare la generalizzazione a famiglie di script non viste.