論文の概要: Which papyrus HTR is good enough? Character-error-rate tolerance of four papyrological tasks on Greek texts

• arxiv url: http://arxiv.org/abs/2609.37755v1
• Date: Tue, 29 Sep 2026 15:03:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.659785
• Title: Which papyrus HTR is good enough? Character-error-rate tolerance of four papyrological tasks on Greek texts
• Title（参考訳）: どのパピルスHTRで十分か? ギリシア語テキストにおける4つのパピルス課題の文字誤り率許容
• Abstract要約: 本研究は,4つのパピロジ的課題に対する文字誤り率(CER)の範囲を,出版版を基礎的真理として検証する。 我々は、文書タイプ、日付、文書対文学分類のための小さなモデル(TF-IDF、fastText、文字CNN、BYT5-small)を訓練する。 クリーンテキストで訓練されたモデルと特定のCERレベルで再訓練されたモデルを比較し、CER全体で評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Most Greek papyri remain unpublished and undigitised; a handwritten text recognition (HTR) pipeline that transcribes them automatically would let scholars discover documents and literary works that have so far gone unread. Recognition systems for Ancient Greek papyri are in statu nascendi, and how accurate they must be for a given papyrological task has not been examined. To answer this and set a benchmark for Greek papyrus HTR, we test a range of character error rates (CER) against four papyrological tasks, using published editions as ground truth. Methods: From 63,846 current editions of Greek texts in papyri.info, we imitate a letters-only "perfect HTR" output by removing the editorial layer, then degrade it with a seeded algorithm to exact CERs of 1 - 50%, with lost lines and four error-shape variants. On these data we train small models (TF-IDF, fastText, a character CNN, ByT5-small) for document type, dating and documentary-versus-literary classification, and apply eight keyword search methods. We compare models trained on clean text with models retrained at a specific CER level, and evaluate across CERs. Results: Tolerance differs by task. With clean-trained models, documentary-versus-literary classification retains 90% of its metric up to 20% CER; document type up to 7.5%; subtypes and search up to 5%; dating only up to 3%. Retraining on text containing character errors largely eliminates the sharp degradation that otherwise sets in above 15% CER. Models generally tolerate concentrated damage in a long document better than small errors spread across a short text. Conclusion: The study provides a CER target for each of the four tasks and shows that models trained on noisy text make current, imperfect text recognition useful for them.
• Abstract（参考訳）: 目的:ほとんどのギリシアのパピルスは未出版のままであり、手書きのテキスト認識(HTR)パイプラインが自動的に書き起こされ、学者はそれまで読まれていなかった文書や文学作品を発見することができる。 古代ギリシア語のpapyriの認識システムはstatu nascendiにあり、与えられたパピルス学的な課題に対してどの程度正確でなければならないかは検討されていない。 これに対応し,ギリシャのパピルスHTRのベンチマークを設定するため,4つのパピルス課題に対して文字誤り率(CER)の範囲を検証した。 方法:papyri.infoの現在のギリシア語テキストの63,846版から、編集層を除去して出力する文字のみの「完璧なHTR」を模倣し、その後、シードアルゴリズムで分解し、1～50%の正確なCERに分解し、行が失われ、4つのエラー形が変形する。 これらのデータに基づいて、文書タイプ、日付、文書対文学分類のための小さなモデル(TF-IDF、fastText、文字CNN、 ByT5-small)を訓練し、8つのキーワード検索手法を適用します。 クリーンテキストで訓練されたモデルと特定のCERレベルで再訓練されたモデルを比較し、CER全体で評価する。 結果: 寛容性はタスクによって異なる。 クリーン・トレーニングされたモデルでは、ドキュメンタリー・リバース・リテラル分類はその基準の90%を最大20% CER、文書タイプは最大7.5%、サブタイプは最大5%、年代は最大3%である。 文字エラーを含むテキストのリトレーニングは、そうでなければ15%以上のCERで設定されるシャープな劣化を大幅に排除する。 モデルは一般的に、短いテキストに散らばる小さなエラーよりも長いドキュメントの集中的な損傷を許容する。 結論: この研究は4つのタスクそれぞれにCERターゲットを提供し、ノイズの多いテキストで訓練されたモデルが、現在、不完全なテキスト認識を役立てていることを示す。

関連論文リスト

• Tgea: An error-annotated dataset and benchmark tasks for text generation from pretrained language models [57.758735361535486]
  TGEAは、事前訓練された言語モデル(PLM)からテキストを生成するためのエラーアノテートデータセットである。 PLM生成文で発生する24種類の誤りを網羅する誤り分類を作成する。 PLM生成テキストに対する包括的なアノテーションを備えた最初のデータセットである。
  論文  参考訳（メタデータ） (2025-03-06T09:14:02Z)
• MISMATCH: Fine-grained Evaluation of Machine-generated Text with Mismatch Error Types [68.76742370525234]
  テキスト間のきめ細かいミスマッチに基づいて、7つのNLPタスクにおける人間の判断をモデル化する新しい評価手法を提案する。 細粒度評価のためのNLPタスクの最近の取り組みに触発されて,13種類のミスマッチエラータイプを紹介した。 7つのNLPタスクから得られた有意なデータセットの文対間のミスマッチ誤差は,人間の評価とよく一致している。
  論文  参考訳（メタデータ） (2023-06-18T01:38:53Z)
• SpellMapper: A non-autoregressive neural spellchecker for ASR customization with candidate retrieval based on n-gram mappings [76.87664008338317]
  文脈スペル補正モデルは、音声認識を改善するために浅い融合に代わるものである。 ミススペルn-gramマッピングに基づく候補探索のための新しいアルゴリズムを提案する。 Spoken Wikipediaの実験では、ベースラインのASRシステムに比べて21.4%のワードエラー率の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-04T10:00:12Z)
• DPIC: Decoupling Prompt and Intrinsic Characteristics for LLM Generated Text Detection [56.513637720967566]
  大規模言語モデル(LLM)は、盗作、eコマースプラットフォームへの偽レビューの設置、炎症性偽ツイートなどの誤用のリスクを引き起こすテキストを生成することができる。 既存の高品質な検出手法では、本質的な特徴を抽出するために、モデルの内部にアクセスする必要がある。 ブラックボックスモデル生成テキストの深い内在特性を抽出する。
  論文  参考訳（メタデータ） (2023-05-21T17:26:16Z)
• Persian Typographical Error Type Detection Using Deep Neural Networks on Algorithmically-Generated Misspellings [2.2503811834154104]
  タイポグラフィーによるペルシャのエラータイプ検出は比較的調査の少ない地域である。 本稿では,ペルシャ語文の誤字を検出するための説得力のあるアプローチを提案する。 最終手法の結果は競争力が高く、精度は97.62%、精度は98.83%、リコールは98.61%、速度は他を上回った。
  論文  参考訳（メタデータ） (2023-05-19T15:05:39Z)
• Paraphrasing evades detectors of AI-generated text, but retrieval is an effective defense [56.077252790310176]
  本稿では,パラフレーズ生成モデル(DIPPER)を提案する。 DIPPERを使って3つの大きな言語モデル(GPT3.5-davinci-003)で生成されたテキストを言い換えると、透かしを含むいくつかの検出器を回避できた。 我々は,言語モデルAPIプロバイダによって維持されなければならない,意味論的に類似した世代を検索するシンプルなディフェンスを導入する。
  論文  参考訳（メタデータ） (2023-03-23T16:29:27Z)
• Correcting diacritics and typos with ByT5 transformer model [0.0]
  人々は、ダイアクリティカルを使ってタイピング時にタイプミス(タイポ)をする傾向がある。 本研究では,新たに開発されたByT5バイトレベルのトランスモデルを用いて,両問題に一度に対処する。 ダイアクリティカルス修復とタイポス補正の併用により,13言語における最先端性能が実証された。
  論文  参考訳（メタデータ） (2022-01-31T13:52:51Z)
• Scarecrow: A Framework for Scrutinizing Machine Text [69.26985439191151]
  我々はScarecrowと呼ばれる新しい構造化されたクラウドソースエラーアノテーションスキーマを導入する。 Scarecrowは1.3kの人文と機械が生成する英語ニューステキストの13kのアノテーションを収集する。 これらの結果は,現在および将来のテキスト生成システムの評価において,Scarecrowアノテーションの価値を示すものである。
  論文  参考訳（メタデータ） (2021-07-02T22:37:03Z)

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。