論文の概要: Probabilistic Dating of Historical Manuscripts via Evidential Deep Regression on Visual Script Features

• arxiv url: http://arxiv.org/abs/2605.06475v1
• Date: Thu, 07 May 2026 16:00:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.968526
• Title: Probabilistic Dating of Historical Manuscripts via Evidential Deep Regression on Visual Script Features
• Title（参考訳）: 視覚的スクリプト機能に対する証拠的深部回帰による歴史写本の確率的年代付け
• Authors: Ranjith Chodavarapu,
• Abstract要約: 本稿では,視覚的特徴のみから歴史写本ページの年代付けを行うための確率論的アプローチを提案する。 過去の文献で標準的なように数世紀をクラスに集約する代わりに、連続した年軸上の明らかな深い回帰問題として年代付けを行う。 我々のアーキテクチャは、効率の良いNet-B2バックボーンと正規逆ガンマ(NIG)出力ヘッドを組み合わせて、共同で負のlog-likelihoodとエビデンス・正規化の目的を訓練する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a probabilistic approach for dating historical manuscript pages from visual features alone. Instead of aggregating centuries into classes as is standard in the previous literature, we pose dating as an evidential deep regression problem over a continuous year axis, allowing our neural network to output a full predictive distribution with decomposed aleatoric and epistemic uncertainty in a single forward pass. Our architecture combines an EfficientNet-B2 backbone with a Normal-Inverse-Gamma (NIG) output head trained with a joint negative-log-likelihood and evidence-regularization objective. On the DIVA-HisDB benchmark (150 pages, 3 medieval codices, 151,936 patches), our model scores a test MAE of 5.4 years, well below the 50-year century-label supervision granularity, with 93\% of patches within 5 years and 97\% within 10 years. Our approach achieves \textbf{PICP=92.6\%}, the best calibration among all compared methods, in a single forward pass, outperforming MC Dropout (PICP=88.2\%, 50 passes) and Deep Ensembles (PICP=79.7\%, 5 models) at $5\times$ lower inference cost. Uncertainty decomposition shows aleatoric uncertainty is a strong predictor of dating error (Spearman $ρ=0.729$), and a selective prediction about the most certain 20\% of patches can provide \textbf{0.5 years MAE}. We show that predicted uncertainty increases as image degradation worsens, spatial decomposition maps explain which script regions cause aleatoric uncertainty, and page-level aggregation reduces MAE to 4.5 years with $ρ=0.905$ between uncertainty and page-level error.
• Abstract（参考訳）: 本稿では,視覚的特徴のみから歴史写本ページの年代付けを行うための確率論的アプローチを提案する。 従来の文献のように何世紀にもわたってクラスに集約する代わりに、連続した年軸上の明らかな深い回帰問題として、ニューラルネットワークが1つの前方パスで分解されたアレタリックおよびてんかんの不確実性を伴う完全な予測分布を出力できるようにする。 我々のアーキテクチャは、効率の良いNet-B2バックボーンと正規逆ガンマ(NIG)出力ヘッドを組み合わせて、共同で負のlog-likelihoodとエビデンス・正規化の目的を訓練する。 DIVA-HisDBベンチマーク(150ページ、3中世のコーディック、151,936パッチ)では、5年以内に93%、10年以内に97パーセントのパッチで、50年分の監督の粒度を大きく下回る5.4年のテストMAEをスコア付けしています。 提案手法は, MC Dropout (PICP=88.2\%, 50パス) とDeep Ensembles (PICP=79.7\%, 5モデル) を5\times$低い推論コストで達成し, 比較手法の中で最良のキャリブレーションである。 不確実性分解は、アレタリック不確かさがデートエラーの強い予測因子であることを示している(Spearman $ρ=0.729$)。 画像劣化が悪化するにつれて予測された不確かさが増加し,空間分解マップではどのスクリプト領域がアレタリックな不確実性を引き起こすかを説明し,ページレベルの集約は不確かさとページレベルのエラーの間に$ρ=0.905$でMAEを4.5年減少させることを示した。

関連論文リスト

• Approximate Message Passing for Bayesian Neural Networks [0.8192907805418583]
  予測後部を因子グラフとしてモデル化する新しい枠組みを提案する。 我々は,約890kパラメータの畳み込みニューラルネットワークを用いて,CIFAR-10に対するアプローチを評価し,SOTAベースラインと競合できることを見出した。 我々の手法は560万のパラメータにスケールするが、最先端の変分推論手法のスケールと性能にはさらなる改善が必要である。
  論文  参考訳（メタデータ） (2025-01-26T15:58:42Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Uncertainty Voting Ensemble for Imbalanced Deep Regression [20.176217123752465]
  本稿では,不均衡なデータから学習するUVOTEを紹介する。 従来の回帰損失を負の対数類似度に置き換え、サンプルワイドのアレタリックな不確実性も予測する。 UVOTEは先行技術より一貫して優れており、同時に精度のよい不確実性評価が得られている。
  論文  参考訳（メタデータ） (2023-05-24T14:12:21Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。