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

Resumo Técnico: Datação Probabilística de Manuscritos Históricos via Regressão Profunda Evidencial

Formulação do Problema
O artigo aborda o desafio de estimar a data de autoria de manuscritos históricos utilizando apenas características visuais. Abordagens automatizadas tradicionais têm recorrido tanto à classificação (discretizando datas em buckets do tamanho de séculos) quanto à regressão pontual (prevendo um único ano). Os autores argumentam que a classificação carece de precisão (resultando em alto Erro Absoluto Médio, ou MAE), enquanto a regressão pontual falha em quantificar a confiança, deixando os historiadores sem o sinal necessário para avaliar a confiabilidade. O problema central é reformulado como uma tarefa de inferência probabilística: em vez de uma estimativa pontual única, o objetivo é produzir uma distribuição preditiva completa sobre um eixo contínuo de anos, que decompõe explicitamente a incerteza em componentes aleatórios (ruído de dados irreduzível, como ambiguidade de escriba) e epistêmicos (ignorância do modelo).

Metodologia
A solução proposta utiliza Regressão Profunda Evidencial, um framework que modela os parâmetros de uma função de verossimilhança usando uma priori de ordem superior.

• Arquitetura: O modelo emprega uma base EfficientNet-B2 (pré-treinada no ImageNet) para extrair características visuais de patches de manuscritos (224×224 pixels). Essas características são passadas por uma camada totalmente conectada e uma cabeça de saída Normal-Inverso-Gama (NIG).
• Saída: A rede produz quatro parâmetros ($\gamma, \nu, \alpha, \beta$) que definem uma distribuição NIG. A média preditiva é $\hat{y} = \gamma$. A variância preditiva total é decomposta analiticamente em:
  • Incerteza aleatória: $\frac{\beta}{\alpha-1}$, representando ruído irreduzível nos dados (ex.: tinta desbotada, mãos mistas).
  • Incerteza epistêmica: Escalonada por $\frac{1}{\nu}$, representando a ignorância do modelo, que diminui à medida que o modelo acumula evidências.
• Objetivo de Treinamento: O modelo é treinado usando uma função de perda conjunta composta pela Negativa da Log-Verossimilhança (NLL) da distribuição NIG e um termo de regularização de evidência. Este regularizador penaliza a acumulação de alta evidência ($\nu$) para previsões incorretas, impedindo que o modelo se torne excessivamente confiante em dados errôneos.
• Inferência: Diferentemente do Dropout de Monte Carlo (que requer 50 passagens estocásticas) ou de Ensembles Profundos (que requerem 5 modelos), esta abordagem gera a distribuição preditiva completa e as incertezas decompostas em uma única passagem direta.

Principais Contribuições

1. Primeira Formulação Probabilística: Este trabalho introduz o primeiro framework de regressão profunda evidencial para datação de manuscritos, permitindo a decomposição da incerteza em componentes aleatórios e epistêmicos.
2. Calibração e Eficiência: O modelo alcança a melhor calibração entre os métodos de quantificação de incerteza (UQ) comparados (PICP=92,6%), mantendo precisão competitiva, tudo dentro de uma única passagem de inferência.
3. Previsão Seletiva: O framework permite "previsão seletiva", onde o sistema pode filtrar previsões incertas. Ao reter apenas os 20% dos patches mais certos, o modelo alcança precisão sub-anual (0,5 anos de MAE), apesar de ser treinado com granularidade de supervisão em nível de século.
4. Correlação Incerteza-Erro: O estudo demonstra que a incerteza aleatória é um forte preditor de erro de datação ($\rho$ de Spearman = 0,729), permitindo que o modelo identifique regiões específicas do script (ex.: tinta fraca, ligaduras) que causam ambiguidade.

Resultados Experimentais
Avaliado no benchmark DIVA-HisDB (150 páginas de três códices medievais, 151.936 patches), o modelo alcançou o seguinte:

• Precisão: Um MAE de teste de 5,4 anos, superando significativamente uma linha de base de classificador CNN (47,1 anos) e sendo comparável a um regressor pontual (2,8 anos), mas com o benefício adicional de estimativa de incerteza.
• Precisão: 93% dos patches foram datados dentro de 5 anos, e 97% dentro de 10 anos.
• Calibração: O modelo alcançou uma Probabilidade de Cobertura do Intervalo de Previsão (PICP) de 92,6% no nível de confiança de 90%. Isso superou o MC Dropout (88,2% de PICP, requerendo 50 passagens) e Ensembles Profundos (79,7% de PICP, requerendo 5 modelos).
• Robustez à Degradação: A incerteza prevista aumentou monotonicamente com a degradação da imagem (desfoque e compressão JPEG), servindo como um indicador prático para a qualidade da imagem e a necessidade de reescaneamento.
• Agregação em Nível de Página: A agregação das previsões de patches para o nível de página reduziu o MAE para 4,5 anos e estabeleceu uma correlação quase perfeita ($\rho = 0,905$) entre a incerteza em nível de página e o erro em nível de página, classificando efetivamente as páginas por dificuldade de datação.

Significado e Alegações
O artigo afirma que esta abordagem aborda diretamente um gargalo na digitalização em massa de manuscritos medievais. Ao fornecer uma estimativa probabilística calibrada, o sistema permite um fluxo de trabalho onde previsões certas são automatizadas enquanto as incertas são sinalizadas para revisão por especialistas. Os autores enfatizam que a capacidade de trocar cobertura por precisão (via limiares de incerteza) é uma capacidade única de modelos probabilísticos, oferecendo uma ferramenta prática para curadores e historiadores.

No entanto, o artigo mantém um escopo modesto quanto às limitações. Reconhece que o modelo atualmente atua como um interpolador dentro da distribuição conhecida das três famílias de scripts de treinamento. Observa-se que a incerteza epistêmica não aumentou para manuscritos fora da distribuição (OOD), sugerindo que o modelo carece da "sobreposição estilística" necessária para reconhecer scripts verdadeiramente novos como desconhecidos. Os autores sugerem que implementações futuras exigiriam dados de treinamento mais diversos (ex.: CLaMM ou e-codices) para melhorar a generalização para famílias de scripts não vistas.