低リソース満洲語OCRを支えるマルチエキスパート・ルーティング

導入

歴史文献の OCR では、同じ文字体系であっても、資料の時代や用途、筆跡によって見た目が大きく変わる。満洲語文献はその好例であり、正書、行書、さらに宮廷の奏折で用いられる半草体の書記様式は、画像としての特徴がかなり異なる。限られた教師データしかない状況で、これらを一つのモデルにまとめて処理するのは容易ではない。

arXiv 論文「Multi-Expert Routing for Multi-Domain Low-Resource OCR: A Manchu Case Study」は、この課題に対してマルチエキスパート型の構成を提案している。ポイントは、まずページ全体の視覚的な領域を判定し、その結果に応じて適切な OCR 専門モデルへ処理を渡すことだ。

主要ポイント

• 低リソースかつ多領域の OCR：対象は満洲語の歴史資料で、正書、行書、奏折に見られる半草体など、視覚的に異なるスタイルを含む。
• チェックポイントを専門家として再利用：反復的なファインチューニング過程で得られたモデルのチェックポイントを、各領域の候補専門家として活用する。既存の候補で不十分な場合には、その領域向けの追加専門家を訓練する。
• 軽量なページ単位ルーター：OCR の前段で画像分類器がページの視覚スタイルを推定し、対応する専門モデルへ振り分ける。論文では、このルーターが 99.3% のページ単位領域精度を達成したと報告している。
• 専門家と同等の CER：3つの固定テストセットにおいて、ルーティングされたシステムは各スタイルで選ばれた専門家と小数第2位まで同じ精度を示した。CER は正書で 0.30%、奏折で 1.57%、行書で 4.83% である。
• 専門家は必ずしも最終領域専用ではない：選択された3つの専門家のうち2つは、最終的に担当した領域を目的として訓練されたものではなかった。行書の専門家のみが、その領域を対象に訓練されている。

意義と影響

この研究の意義は、歴史 OCR における「少ないデータ」と「多様な見た目」を同時に扱う現実的な方法を示した点にある。文化遺産のデジタル化では、資料ごとに書体や保存状態が異なり、正解転写データを大量に用意することも難しい。そうした場面で、すべてを一つの汎用モデルに任せるのではなく、ページの種類を見分けて適切な専門モデルを選ぶ設計は有効な選択肢になり得る。

また、評価プロトコル、ルーター設計、ページごとの予測を報告している点は、再現性の面でも重要である。ただし、今回の結果は満洲語のケーススタディに基づくものであり、他の文字体系やより複雑なアーカイブにそのまま適用できるかは今後の検証が必要だ。それでも、低リソース OCR では「何を読むか」を見極める工程が、認識モデルそのものと同じくらい重要になり得ることを示している。

出典：arXiv