FAIR-Net:一个模糊的自动编码器和可解释的基于规则的网络,用于古代中国的字符识别

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 数字人文学科 数字人文学科

背景情况:

• 古代中国文字面临着退化,阻碍了手动转录和传统的OCR.
• 由于侵蚀,损坏和风格变化,现有的OCR方法与历史文本作斗争.

研究的目的:

• 开发一种可解释和高效的AI模型,用于识别退化的古汉字符.
• 改进中国历史文献的数字化和保存.

主要方法:

• 提出了FAIR-Net,这是一个混合架构,将无监督的深度自动编码器合并为特征学习与模糊的基于规则的分类.
• 使用模糊C-Means (FCM) 进行软集群和代重量最小方程估计 (IRLSE) 与Softmax进行透明预测.
• 限制模型重量作为线性映射以确保可解释性.

主要成果:

• 在基准数据集上获得了97.91%的准确性,显著超过了具有高统计意义的基线CNN.
• 证明了处理效率的提高,与其他模型相比,推断时间减少了高达98.9%.
• 在大型古汉字数据集 (83.25%准确度) 上展示了强度,并通过模糊规则可视化证实了通过模糊规则可视化来增强对字符模糊性的弹性.

结论:

• FAIR-Net为古代中国字符识别提供了一个实用,可解释和高效的解决方案.
• 该模型的透明度和性能有助于数字化和保存宝贵的历史遗迹.
• FAIR-Net的混合方法促进了AI在历史语言学和文化遗产保护方面的应用.