🤖 AI

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

본 논문은 역사적 필사본 연대 추정을 연속 회귀 문제로 다루는 확률적 딥러닝 프레임워크를 소개하며, 단일 순전파를 통해 분해된 우연적 불확실성과 인식적 불확실성을 포함한 완전한 예측 분포를 출력함으로써 DIVA-HisDB 벤치마크에서 최첨단 정확도와 우수한 불확실성 보정을 달성합니다.

원저자: Ranjith Chodavarapu

게시일 2026-05-18

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ranjith Chodavarapu

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

고대 중세 시대의 손으로 쓴 편지 더미가 있다고 상상해 보세요. 당신은 각 편지가 정확히 언제 쓰였는지 알고 싶습니다. 보통 전문가들 (고문서학자) 은 필적을 빤히 들여다보며 연대를 추측하고, 수 시간 동안 이에 대해 논쟁해야 합니다. 이는 느리고 비싸며, 심지어 전문가들 사이에서도 의견이 자주 엇갈립니다.

이 논문은 단순히 연대를 추측하는 것을 넘어, 그 추측에 대해 얼마나 확신하는지 알려주는 새로운 종류의 "AI 시간 기계"를 소개합니다.

간단한 비유를 들어 작동 원리를 살펴보면 다음과 같습니다:

1. 구식 방식 vs. 신식 방식

구식 방식 (분류): 편지를 "1800 년대", "1900 년대", "2000 년대"라는 세 개의 큰 상자에 분류한다고 상상해 보세요. 컴퓨터는 필적을 보고 "이건 분명히 1900 년대야"라고 말합니다. 이는 대략적인 추측일 뿐입니다. 논문은 이것이 너무 모호하다고 지적합니다.
점 추측 (회귀): 컴퓨터가 "1245 년"처럼 구체적인 연도를 알려준다고 가정해 보세요. 더 정밀하지만, 이는 명중했는지 운이 좋았는지, 아니면 실력자인지 알려주지 않는 과녁을 맞히는 다트 던지기꾼과 같습니다. 컴퓨터가 틀렸다면 당신은 아무것도 모릅니다.
신식 방식 (확률적/증거 기반): 이것이 이 논문의 발명품입니다. 다트 하나를 던지는 대신, 컴퓨터는 다트 구름을 던지고 그들이 떨어진 주변에 모양을 그립니다. "1245 년이라고 생각하지만, 90% 확률로 1240 년에서 1250 년 사이일 것"이라고 말합니다. 핵심은 왜 불확실한지 설명한다는 점입니다:
- 알레토릭 불확실성 (The "Messy Ink" factor, "지저분한 잉크" 요인): 필적 자체가 퇴색하거나 번졌거나, 떨리는 손으로 쓰였습니다. 인간 전문가라도 혼란스러울 것입니다. AI 는 "증거가 그냥 나쁩니다"라고 인정합니다.
- 에피스테믹 불확실성 (The "I've Never Seen This" factor, "이걸 본 적이 없다" 요인): AI 는 이런 필체 스타일을 본 적이 없습니다. "이걸 공부해 본 적이 없어서 모르겠습니다"라고 말하는 것입니다.

2. AI 가 "생각"하는 방식

연구진은 원고 페이지의 작은 정사각형 패치를 살펴보는 신경망 (AI 뇌의 일종) 을 구축했습니다.

뇌: 그들은 이미 형태와 질감을 인식하는 데 능숙한 EfficientNet이라는 사전 훈련된 뇌를 사용했습니다.
특별한 헤드: 뇌 위에 특별한 "계산기"를 추가했습니다. 단순히 숫자 (연도) 만 출력하는 대신, 전체 확률 분포를 출력합니다. "비가 올 것이다"라고만 말하는 것이 아니라, 가벼운 이슬비와 허리케인 사이의 확률을 보여주는 종형 곡선을 제공하는 날씨 예보와 같습니다.
훈련: 그들은 AI 에게 한 번의 glance 로 연대와 자신의 신뢰 수준을 모두 학습하도록 강제하는 특수한 수학 기법 (증거 기반 심층 회귀, Evidential Deep Regression) 으로 훈련시켰습니다.

3. 결과: 얼마나 좋은가?

팀은 150 페이지의 중세 원고로 구성된 유명한 데이터셋 (DIVA-HisDB) 으로 이를 테스트했습니다.

정확도: AI 는 평균 오차 5.4 년으로 연도를 추측했습니다. 필적이 1,000 년 된 것을 고려하면 놀라울 정도로 정밀합니다.
보정 (The "Trust" Meter, "신뢰" 게이지): 이것이 이 논문의 가장 큰 승리입니다.
- 다른 방법들 (예: "Deep Ensembles"나 "MC Dropout") 은 매우 정확했지만 과도하게 확신하는 경우 (틀렸을 때 "100% 확신"이라고 말함) 나, 잘 보정되었지만 매우 느린 경우 (한 번의 답을 얻기 위해 50 번 시도 필요) 였습니다.
- 새로운 AI 는 빠릅니다 (한 번의 glance) 그리고 정직합니다. "90% 확신"이라고 말할 때, 실제로는 92.6% 의 경우 맞습니다. "비가 올 확률 90%"라고 말할 때 거의 항상 맞는 날씨 예보자와 같습니다.
The "Selective" Superpower (선택적 초능력): AI 가 언제 불확실한지 알기 때문에, "100% 확신하는 답만 보여줘"라고 지시할 수 있습니다.
- 지저분하고 불확실한 페이지를 필터링하고 확신 있는 예측 상위 20% 만 살펴보면, 오차는 0.5 년으로 떨어집니다.
- 비유: "이 번진 페이지는 읽을 수 없지만, 가장 선명한 20 페이지에 대해서는 정확한 연도를 월 단위까지 알려줄 수 있다"라고 말하는 사서와 같습니다.

4. AI 가 보는 것

연구진은 AI 가 무엇을 보고 있는지 보기 위해 "히트 맵" (열화상 카메라와 유사) 을 사용했습니다.

좋은 단서: AI 는 실제 잉크 획과 글자 모양에 집중했습니다.
나쁜 단서: 잉크가 퇴색하거나 종이가 흐릿할 때, AI 의 "불확실성 게이지"는 상승했습니다. 이는 자신의 지능이 아니라 이미지 품질이 문제임을 올바르게 식별한 것입니다.
The "Faded Ink" Test (The "지워진 잉크" 테스트): AI 는 잉크가 옅어질 때 "알레토릭 불확실성" (지저분한 잉크 요인) 이 급증한다는 것을 발견했습니다. 이는 AI 가 단순히 패턴을 암기하는 것이 아니라 원고의 물리적 상태에 대해 실제로 학습하고 있음을 증명합니다.

5. 이것이 역사에 중요한 이유

이 논문은 이 도구가 도서관의 주요 병목 현상을 해결한다고 주장합니다.

작업 흐름: 수백만 페이지가 있는 대규모 디지털화 프로젝트를 상상해 보세요. 인간 전문가가 하나하나 모두 볼 수는 없습니다.
해결책: 모든 것에 AI 를 실행하세요.
- AI 가 확신하면 자동으로 페이지에 연대를 부여하고 파일에 저장합니다.
- AI 가 불확실하면 (잉크가 퇴색했거나 필적이 이상한 경우), 해당 페이지를 플래그로 표시하고 인간 전문가에게 2 차 검토를 위해 보냅니다.
이익: 이는 시간과 비용을 절약합니다. 인간이 어려운 사례에만 집중할 수 있게 하고, AI 는 쉽고 명확한 것을 처리하게 합니다.

요약

이 논문은 고대 필적의 연대를 단순히 추측하는 것이 아니라, 자신의 지식 한계를 아는 겸손한 전문가처럼 행동하는 새로운 AI 를 제시합니다. 이는 빠르고 정확하며, 가장 중요한 점은 언제 추측하고 언제 확신하는지 알려줌으로써 역사가들이 쉬운 작업에는 기계를 신뢰하고 어려운 작업에는 직접 개입할 수 있게 합니다.

기술적 요약: 증거 기반 심층 회귀를 통한 역사적 사본의 확률적 연대 측정

문제 정의
본 논문은 시각적 특징만을 사용하여 역사적 사본의 저술 연대를 추정하는 과제를 다룹니다. 기존의 자동화 접근법은 연대를 세기 단위의 구간으로 이분화하는 분류 (classification) 나 단일 연도를 예측하는 점 회귀 (point regression) 에 의존해 왔습니다. 저자들은 분류 방식은 정밀도가 부족하여 높은 평균 절대 오차 (MAE) 를 초래한다고 주장하며, 점 회귀는 신뢰도를 정량화하지 못해 역사가들이 신뢰성을 평가하는 데 필요한 신호를 제공하지 못한다고 지적합니다. 핵심 문제는 확률적 추론 작업으로 재정의되었습니다: 단일 점 추정이 아닌, 연속적인 연대 축에 대한 전체 예측 분포를 출력하여 불확실성을 알레토릭 (재현 불가능한 데이터 노이즈, 예: 필사자의 모호함) 과 에피스테믹 (모델의 무지) 구성 요소로 명시적으로 분해하는 것입니다.

방법론
제안된 솔루션은 고차원 사전 분포를 사용하여 가능도 함수의 매개변수를 모델링하는 증거 기반 심층 회귀 (Evidential Deep Regression) 프레임워크를 활용합니다.

아키텍처: 모델은 사본 패치 (224×224 픽셀) 에서 시각적 특징을 추출하기 위해 ImageNet 으로 사전 학습된 EfficientNet-B2 백본을 사용합니다. 이러한 특징은 완전 연결 계층과 정규 - 역감마 (NIG) 출력 헤드를 통과합니다.
출력: 네트워크는 NIG 분포를 정의하는 네 가지 매개변수 ( $\gamma, \nu, \alpha, \beta$ $γ, ν, α, β$ ) 를 출력합니다. 예측 평균은 $\hat{y} = \gamma$ $\overset{y}{^} = γ$ 입니다. 전체 예측 분산은 분석적으로 다음과 같이 분해됩니다:
- 알레토릭 불확실성: $\frac{\beta}{\alpha-1}$ , 데이터의 재현 불가능한 노이즈 (예: 바랜 잉크, 혼합된 필체) 를 나타냄.
- 에피스테믹 불확실성: $\frac{1}{\nu}$ 로 스케일링되며, 모델이 증거를 축적함에 따라 감소하는 모델의 무지를 나타냄.
학습 목적 함수: 모델은 NIG 분포의 음의 로그 가능도 (NLL) 와 증거 정규화 항으로 구성된 결합 손실 함수를 사용하여 학습됩니다. 이 정규화 항은 잘못된 예측에 대해 높은 증거 ( $\nu$ ) 가 축적되는 것을 패널티하여 모델이 오류 데이터에 대해 과도하게 확신하는 것을 방지합니다.
추론: 몬테카를로 드롭아웃 (50 회 확률적 통과 필요) 이나 딥 앙상블 (5 개 모델 필요) 과 달리, 이 접근법은 단일 순전파 (single forward pass) 에서 전체 예측 분포와 분해된 불확실성을 생성합니다.

주요 기여

최초의 확률적 공식화: 본 연구는 사본 연대 측정을 위한 최초의 증거 기반 심층 회귀 프레임워크를 도입하여 불확실성을 알레토릭 및 에피스테믹 구성 요소로 분해할 수 있게 합니다.
보정 및 효율성: 모델은 비교된 불확실성 정량화 (UQ) 방법들 중 가장 우수한 보정 (PICP=92.6%) 을 달성하면서도 경쟁력 있는 정확도를 유지하며, 모든 작업을 단일 추론 통과 내에서 수행합니다.
선택적 예측: 이 프레임워크는 시스템이 불확실한 예측을 필터링할 수 있는 "선택적 예측"을 가능하게 합니다. 가장 확신 있는 상위 20% 패치만 유지함으로써, 모델은 세기 수준의 감독 세분성으로 학습되었음에도 불구하고 연 단위 정확도 (0.5 년 MAE) 를 달성합니다.
불확실성 - 오차 상관관계: 연구는 알레토릭 불확실성이 연대 측정 오차의 강력한 예측 변수 (Spearman $\rho = 0.729$ ) 임을 입증하여, 모호함을 유발하는 특정 필사 영역 (예: 희미한 잉크, 리게처) 을 모델이 식별할 수 있게 합니다.

실험 결과
DIVA-HisDB 벤치마크 (세 개의 중세 코덱스에서 가져온 150 페이지, 151,936 개 패치) 에서 평가된 모델은 다음과 같은 결과를 달성했습니다:

정확도: 테스트 MAE 가 5.4 년으로, CNN 분류기 기준선 (47.1 년) 을 크게 상회하며 점 회귀기 (2.8 년) 와 유사한 수준을 보였으나 불확실성 추정이라는 추가 이점을 제공했습니다.
정밀도: 패치의 93% 가 5 년 이내, 97% 가 10 년 이내에 연대 측정되었습니다.
보정: 모델은 90% 신뢰 수준에서 **92.6%**의 예측 구간 커버리지 확률 (PICP) 을 달성했습니다. 이는 MC 드롭아웃 (88.2% PICP, 50 회 통과 필요) 과 딥 앙상블 (79.7% PICP, 5 개 모델 필요) 보다 우수했습니다.
열화 강건성: 예측된 불확실성은 이미지 열화 (블러 및 JPEG 압축) 에 따라 단조롭게 증가하여 이미지 품질과 재스캔 필요성에 대한 실용적 지표로 작용했습니다.
페이지 수준 집계: 패치 예측을 페이지 수준으로 집계하면 MAE 가 4.5 년으로 감소했으며, 페이지 수준 불확실성과 페이지 수준 오차 사이에 거의 완벽한 상관관계 ( $\rho = 0.905$ ) 가 형성되어 연대 측정 난이도에 따라 페이지를 효과적으로 순위 매길 수 있었습니다.

의의 및 주장
본 논문은 이 접근법이 중세 사본의 대량 디지털화에서 발생하는 병목 현상을 직접 해결한다고 주장합니다. 보정된 확률적 추정을 제공함으로써, 시스템은 확신 있는 예측은 자동화하고 불확실한 예측은 전문가 검토를 위해 플래그하는 워크플로우를 가능하게 합니다. 저자들은 불확실성 임계값을 통해 커버리지와 정확도 사이의 트레이드오프를 가능하게 하는 능력이 확률적 모델의 고유한 기능이며, 큐레이터와 역사가들에게 실용적인 도구를 제공한다고 강조합니다.

그러나 논문은 한계에 대해 겸손한 범위를 유지합니다. 현재 모델은 세 가지 훈련 필체 군집의 알려진 분포 내에서 보간기로 작용한다고 인정합니다. 또한 에피스테믹 불확실성이 분포 외 (OOD) 사본에서 급증하지 않았음을 지적하며, 모델이 완전히 새로운 필체를 낯선 것으로 인식하는 데 필요한 "스타일적 중첩"이 부족함을 시사합니다. 저자들은 향후 배포를 위해서는 CLaMM 또는 e-codices 와 같이 더 다양한 훈련 데이터가 필요하여 보지 못한 필체 군집에 대한 일반화 능력을 향상시켜야 한다고 제안합니다.