🤖 AI

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

Dit artikel introduceert een probabilistisch deep learning-framework dat het dateren van historische manuscripten behandelt als een continu regressieprobleem, en state-of-the-art nauwkeurigheid en superieure onzekerheidskalibratie bereikt op de DIVA-HisDB-benchmark door volledige voorspellende verdelingen met ontlede aleatorische en epistemische onzekerheden in één enkele forward pass te genereren.

Oorspronkelijke auteurs: Ranjith Chodavarapu

Gepubliceerd 2026-05-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ranjith Chodavarapu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een stapel oude, handgeschreven brieven uit de Middeleeuwen hebt. Je wilt precies weten wanneer elke brief is geschreven. Meestal moeten experts (paleografen genoemd) dan langdurig in de handtekening turen, een datum raden en er urenlang over discussiëren. Het is traag, duur en zelfs experts zijn het vaak oneens.

Dit artikel introduceert een nieuw soort "AI-tijdmachine" die niet alleen een datum raadt, maar je ook vertelt hoe zeker het is van die schatting.

Hier is de uitleg van hoe het werkt, met eenvoudige analogieën:

1. De Oude Manier versus de Nieuwe Manier

De Oude Manier (Classificatie): Stel je voor dat je post probeert te sorteren in drie grote bakken: "1800-er", "1900-er" en "2000-er". De computer kijkt naar de handtekening en zegt: "Dit komt zeker uit de 1900-er." Het is een ruwe schatting. Het artikel stelt dat dit te vaag is.
De Puntschatting (Regression): Stel je voor dat de computer je een specifiek jaar geeft, zoals "1245". Het is preciezer, maar het is alsof een dartschutter de bullseye raakt maar niet wil zeggen of hij geluk had of een meester is. Als de computer fout zit, heb je geen idee.
De Nieuwe Manier (Probabilistisch/Evidentieel): Dit is de uitvinding van het artikel. In plaats van één dart te gooien, gooit de computer een wolk darten en tekent een vorm om waar ze zijn geland. Het zegt: "Ik denk dat het 1245 is, maar ik ben 90% zeker dat het tussen 1240 en 1250 ligt." Cruciaal is dat het uiteenzet waarom het onzeker is:
- Aleatorische Onzekerheid (De "Vervuilde Inkt" factor): De handtekening zelf is vervaagd, gesmeerd of geschreven door een trillende hand. Zelfs een menselijke expert zou in de war raken. De AI geeft toe: "Het bewijs is gewoon slecht."
- Epistemische Onzekerheid (De "Ik heb dit Nog Nooit Gezien" factor): De AI heeft deze schrijfstijl nog nooit gezien. Het zegt: "Ik weet niet wat dit is omdat ik het niet heb bestudeerd."

2. Hoe de AI "Denkt"

De onderzoekers bouwden een neurale netwerken (een soort AI-brein) dat kijkt naar kleine vierkante stukjes van de manuscriptpagina's.

Het Brein: Ze gebruikten een vooraf getraind brein genaamd EfficientNet, dat al goed is in het herkennen van vormen en texturen.
Het Speciale Hoofd: Ze voegden een speciale "rekenmachine" bovenop het brein toe. In plaats van alleen een getal uit te geven (het jaar), geeft het een hele kansverdeling uit. Denk aan een weersvoorspelling die niet alleen zegt "Het gaat regenen", maar je een klokkromme geeft die de kans op lichte motregen versus een orkaan toont.
De Training: Ze leerden de AI met een speciale wiskundige truc (Evidentiële Diepe Regression) die het dwingt om zowel de datum als het eigen zekerheidsniveau in één oogopslag te leren.

3. De Resultaten: Hoe Goed Is Het?

Het team testte dit op een beroemde dataset van 150 middeleeuwse pagina's (DIVA-HisDB).

Nauwkeurigheid: De AI raakte het jaar met een gemiddelde fout van slechts 5,4 jaar. Dat is ongelooflijk precies, gezien de handtekening 1.000 jaar oud is.
Calibratie (De "Vertrouwen"-meter): Dit is de grootste overwinning van het artikel.
- Andere methoden (zoals "Deep Ensembles" of "MC Dropout") waren óf zeer nauwkeurig maar te zelfverzekerd (zeggen "Ik ben 100% zeker" terwijl ze fout zaten) óf goed gekalibreerd maar zeer traag (50 pogingen nodig voor één antwoord).
- De nieuwe AI is snel (één blik) en eerlijk. Als het zegt "Ik ben 90% zeker", heeft het 92,6% van de tijd gelijk. Het is als een weerman die bijna elke keer gelijk heeft als hij zegt "90% kans op regen".
De "Selectieve" Superkracht: Omdat de AI weet wanneer het onzeker is, kun je het zeggen: "Laat me alleen de antwoorden zien waarvan je 100% zeker bent."
- Als je de rommelige, onzekere pagina's filtert en alleen kijkt naar de top 20% van de zelfverzekerde voorspellingen, daalt de fout naar 0,5 jaar.
- Analogie: Stel je een bibliothecaris voor die zegt: "Ik kan deze vervaagde pagina niet lezen, maar voor de 20 helderste pagina's kan ik je het exacte jaar tot op de maand vertellen."

4. Wat de AI Ziet

De onderzoekers gebruikten "warmtekaarten" (zoals thermische camera's) om te zien waar de AI naar keek.

Goede aanwijzingen: De AI concentreerde zich op de daadwerkelijke inktstreken en lettervormen.
Slechte aanwijzingen: Wanneer de inkt vervaagd was of het papier wazig, ging de "onzekerheidsmeter" van de AI omhoog. Het identificeerde correct dat de beeldkwaliteit het probleem was, niet zijn eigen intelligentie.
De "Vervaagde Inkt" Test: De AI ontdekte dat wanneer de inkt vaag was, zijn "aleatorische onzekerheid" (de "rommelige inkt" factor) piekte. Dit bewijst dat de AI eigenlijk leert over de fysieke staat van het manuscript, en niet alleen patronen uit het hoofd leert.

5. Waarom Dit Belangrijk Is voor de Geschiedenis

Het artikel betoogt dat dit instrument een grote knelpunt in bibliotheken oplost.

De Werkstroom: Stel je een enorm digitaliseringsproject voor met miljoenen pagina's. Je kunt niet hebben dat een menselijke expert elke enkele pagina bekijkt.
De Oplossing: Laat de AI op alles draaien.
- Als de AI zelfverzekerd is, dateert en archiveert het de pagina automatisch.
- Als de AI onzeker is (omdat de inkt vervaagd is of de handtekening vreemd), markeert het die pagina en stuurt het het naar een menselijke expert voor een tweede kijk.
Het Voordeel: Dit bespaart tijd en geld. Het stelt mensen in staat zich alleen te richten op de moeilijke gevallen, terwijl de AI de makkelijke, duidelijke ones afhandelt.

Samenvatting

Dit artikel presenteert een nieuwe AI die niet alleen de ouderdom van oude handtekening raadt; het treedt op als een nederige expert die de grenzen van zijn eigen kennis kent. Het is snel, nauwkeurig en, het allerbelangrijkste, het vertelt je wanneer het raadt en wanneer het zeker is, waardoor historici de machine kunnen vertrouwen voor de makkelijke klussen en zelf kunnen ingrijpen voor de moeilijke.

Technische Samenvatting: Probabilistische Datering van Historische Manuscripten via Evidentiële Diepe Regressie

Probleemformulering
Het artikel adresseert de uitdaging om de auteursdatum van historische manuscripten uitsluitend op basis van visuele kenmerken te schatten. Traditionele geautomatiseerde benaderingen hebben zich gebaseerd op classificatie (het discretiseren van data in centenaria-groottes) of puntregressie (het voorspellen van een enkel jaar). De auteurs betogen dat classificatie precisie mist (wat resulteert in een hoge Mean Absolute Error, of MAE), terwijl puntregressie faalt in het kwantificeren van vertrouwen, waardoor historici het noodzakelijke signaal missen om betrouwbaarheid te beoordelen. Het kernprobleem wordt herformuleerd als een probabilistische inferentietak: in plaats van een enkele puntsschatting, is het doel het uitvoeren van een volledige voorspellende verdeling over een continue jaar-as die onzekerheid expliciet decomposeert in aleatorische (onherleidbare data-ruis, zoals schrijversambiguïteit) en epistemische (modelonwetendheid) componenten.

Methodologie
De voorgestelde oplossing maakt gebruik van Evidentiële Diepe Regressie, een raamwerk dat de parameters van een waarschijnlijkheidsfunctie modelleert met behulp van een hogere-orde prior.

Architectuur: Het model hanteert een EfficientNet-B2-ruggengraat (voorgetraind op ImageNet) om visuele kenmerken te extraheren uit manuscriptpatches (224×224 pixels). Deze kenmerken worden doorgegeven via een volledig verbonden laag en een Normal-Inverse-Gamma (NIG)-outputkop.
Output: Het netwerk voert vier parameters uit ( $\gamma, \nu, \alpha, \beta$ $γ, ν, α, β$ ) die een NIG-verdeling definiëren. De voorspellende gemiddelde is $\hat{y} = \gamma$ $\overset{y}{^} = γ$ . De totale voorspellende variantie wordt analytisch ontleed in:
- Aleatorische onzekerheid: $\frac{\beta}{\alpha-1}$ , wat onherleidbare ruis in de data vertegenwoordigt (bijv. vervaagde inkt, gemengde handschriften).
- Epistemische onzekerheid: Geschaald met $\frac{1}{\nu}$ , wat modelonwetendheid vertegenwoordigt, die afneemt naarmate het model bewijs verzamelt.
Trainingsdoel: Het model wordt getraind met een gezamenlijke verliesfunctie die bestaat uit de Negatieve Log-Likelihood (NLL) van de NIG-verdeling en een evidence-regularisatieterm. Deze regularisator straft de accumulatie van hoge evidence ( $\nu$ ) voor onjuiste voorspellingen af, waardoor het model wordt voorkomen dat het oververzekerd raakt op foutieve data.
Inferentie: In tegenstelling tot Monte Carlo Dropout (waarvoor 50 stochastische passes nodig zijn) of Deep Ensembles (waarvoor 5 modellen nodig zijn), genereert deze aanpak de volledige voorspellende verdeling en ontlede onzekerheden in een enkele forward pass.

Belangrijkste Bijdragen

Eerste Probabilistische Formulering: Dit werk introduceert het eerste evidentiële diepe regressieraamwerk voor manuscriptdatering, waardoor de decompositie van onzekerheid in aleatorische en epistemische componenten mogelijk wordt.
Calibratie en Efficiëntie: Het model bereikt de beste calibratie onder vergeleken methoden voor onzekerheidskwantificering (UQ) (PICP=92,6%) terwijl het concurrerende nauwkeurigheid behoudt, alles binnen een enkele inferentiepass.
Selectieve Voorspelling: Het raamwerk maakt "selectieve voorspelling" mogelijk, waarbij het systeem onzekere voorspellingen kan filteren. Door alleen de 20% meest zekere patches te behouden, bereikt het model een nauwkeurigheid onder het jaar (0,5 jaar MAE), ondanks dat het is getraind met granulariteit op niveau van centenaria.
Correlatie Onzekerheid-Fout: De studie toont aan dat aleatorische onzekerheid een sterke voorspeller is van dateringsfouten (Spearman $\rho = 0,729$ ), waardoor het model specifieke scriptregio's kan identificeren (bijv. vage inkt, ligaturen) die ambiguïteit veroorzaken.

Experimentele Resultaten
Geëvalueerd op de DIVA-HisDB-benchmark (150 pagina's uit drie middeleeuwse codices, 151.936 patches), behaalde het model het volgende:

Nauwkeurigheid: Een test-MAE van 5,4 jaar, wat significant beter presteert dan een CNN-classificatie-baseline (47,1 jaar) en vergelijkbaar is met een puntregressor (2,8 jaar), maar dan met het extra voordeel van onzekerheidsschatting.
Precisie: 93% van de patches werd gedateerd binnen 5 jaar, en 97% binnen 10 jaar.
Calibratie: Het model bereikte een Prediction Interval Coverage Probability (PICP) van 92,6% op het 90%-vertrouwensniveau. Dit presteerde beter dan MC Dropout (88,2% PICP, vereist 50 passes) en Deep Ensembles (79,7% PICP, vereist 5 modellen).
Robuustheid tegen Degradatie: De voorspelde onzekerheid nam monotoon toe met beelddegradatie (onscherpte en JPEG-compressie), dienend als een praktische indicator voor beeldkwaliteit en de noodzaak tot opnieuw scannen.
Aggregatie op Paginaniveau: Het aggregeren van patchvoorspellingen tot paginaniveau verlaagde de MAE naar 4,5 jaar en vestigde een bijna perfecte correlatie ( $\rho = 0,905$ ) tussen onzekerheid op paginaniveau en fout op paginaniveau, wat pagina's effectief rangschikt op dateringsmoeilijkheid.

Betekenis en Aanspraken
Het artikel stelt dat deze aanpak direct een knelpunt adresseert in de massadigitalisering van middeleeuwse manuscripten. Door een gekalibreerde probabilistische schatting te bieden, stelt het systeem een workflow mogelijk waarin zekere voorspellingen worden geautomatiseerd terwijl onzekere worden gemarkeerd voor expertbeoordeling. De auteurs benadrukken dat het vermogen om dekking in te ruilen voor nauwkeurigheid (via onzekerheidsdrempels) een unieke capaciteit is van probabilistische modellen, wat een praktisch hulpmiddel biedt voor conservatoren en historici.

Echter, het artikel behoudt een bescheiden omvang wat beperkingen betreft. Het erkent dat het model momenteel fungeert als een interpolator binnen de bekende verdeling van de drie trainingsfamilie van scripts. Het merkt op dat epistemische onzekerheid niet piekte voor out-of-distribution (OOD) manuscripten, wat suggereert dat het model de "stijl-overlapping" mist die nodig is om echt nieuwe scripts als onbekend te herkennen. De auteurs suggereren dat toekomstige implementaties diversere trainingsdata zouden vereisen (bijv. CLaMM of e-codices) om generalisatie naar ongezette scriptfamilie te verbeteren.