[논문 리뷰] Symphonym: Universal Phonetic Embeddings for Cross-Script Name Matching

Stephen Gadd|arXiv (Cornell University)|2026. 01. 11.

Geographic Information Systems Studies인용 수 0

한 줄 요약

Symphonym은 모든 스크립트에서 지명(toponyms)을 128차원 음성 공간으로 매핑하는 교사-학생 신경 임베딩 시스템으로, 런타임 음성 자원 없이 스크립트 간 이름 매칭을 가능하게 하며 Hebrew-Arabic 지명에서 최첨단 Recall@1를 달성하고 World Historical Gazetteer (WHG)에서 음성 검색을 지원할 것이다.

ABSTRACT

Linking names across historical sources, languages, and writing systems remains a fundamental challenge in digital humanities and geographic information retrieval. Existing approaches require language-specific phonetic algorithms or fail to capture phonetic relationships across different scripts. This paper presents Symphonym, a neural embedding system that maps names from any script into a unified 128-dimensional phonetic space, enabling direct similarity comparison without runtime phonetic conversion. Symphonym uses a Teacher-Student architecture where a Teacher network trained on articulatory phonetic features produces target embeddings, while a Student network learns to approximate these embeddings directly from characters. The Teacher combines Epitran (extended with 100 new language-script mappings), Phonikud for Hebrew, and CharsiuG2P for Chinese, Japanese, and Korean. Training used 32.7 million triplet samples of toponyms spanning 20 writing systems from GeoNames, Wikidata, and Getty Thesaurus of Geographic Names. On the MEHDIE Hebrew-Arabic historical toponym benchmark, Symphonym achieves Recall@10 of 97.6% and MRR of 90.3%, outperforming Levenshtein and Jaro-Winkler baselines (Recall@1: 86.7% vs 81.5% and 78.5%). Evaluation on 12,947 real cross-script training pairs shows 82.6% achieve greater than 0.75 cosine similarity, with best performance on Arabic-Cyrillic (94--100%) and Cyrillic-Latin (94.3%) combinations. The fixed-length embeddings enable efficient retrieval in digital humanities workflows, with a case study on medieval personal names demonstrating effective transfer from modern place names to historical orthographic variation.

연구 동기 및 목표

• 언어별 음성 자원 없이 크로스-스크립트 지명 매칭을 해결한다.
• 확장 가능한 추론을 지원하는 20개 이상 스크립트에 대한 통일된 음성 임베딩 공간을 학습한다.
• 발음기관 특징에서 문자 기반 추론으로 증류를 통해 음성 지식을 전이한다.
• 세 단계 커리큘럼과 노이즈 증강을 통해 허위 친연어(false cognates) 및 OCR/철자 노이즈를 완화한다.
• WHG와의 통합을 통해 67M+ 지명에 대한 음성 검색을 가능하게 한다.

제안 방법

• 교사 네트워크가 IPA 기반의 발음 기관 특징(Epitran G2P + PanPhon)을 128차원 임베딩으로 변환한다.
• 학생 네트워크가 원시 문자로부터 교사 임베딩을 직접 근사하도록 학습하여 음성 자원 없이 추론을 가능하게 한다.
• 세 단계 학습 커리큘럼: Phase 1 음성 특징에 대한 트리플릿 손실, Phase 2 학생으로의 증류, Phase 3 하드 네거티브 학습.
• 20스크립트 탐지 및 스크립트 토큰 임베딩으로 스크립트 인지에 얽매이지 않는 통일 임베딩 공간을 달성하는 스크립트 인식 입력.
• 추론에 코사인 유사도를 사용하고 학습 손실에 반영하여 음성 공간에서의 L1/맨해튼 거리에 내재한 한계를 보완한다.
• 학생 학습 중 OCR/철자 변 Variation 및 전사 불일치를 모방한 노이즈 증강을 수행한다.

실험 결과

연구 질문

• RQ1 언어 식별이나 런타임 음성 변환 없이 스크립트 간 지명 매칭을 달성할 수 있는가?
• RQ2 통합된 128-d 음성 임베딩이 20개 스크립트 전반에서 전통적 문자열 지표나 단일 스크립트 방법에 비해 얼마나 잘 작동하는가?
• RQ3 교사-학생 증류가 자원이 적은 스크립트에 대한 강건한 크로스-스크립트 일반화를 가능하게 하는가?
• RQ4 노이즈 증강 및 하드 네거티브 마이닝이 임베딩 품질과 검색 성능에 어떤 영향을 미치는가?

주요 결과

• MEHDIE 히브리-아랍 벤치마크에서 Symphonym은 Recall@1 87.5%를 달성한다.
• 벤치마크에서 Levenshtein(Recall@1 81.5%) 및 Jaro-Winkler(Recall@1 78.5%) 기반선보다 우수하다.
• 北京 대 Beijing과 같이 표준 문자열 지표가 실패하는 크로스-스크립트 매칭을 지원하고, 학습 데이터가 제한된 스크립트에 대해서도 음성 기반으로 일반화한다.
• 훈련 데이터는 GeoNames, Wikidata, Getty TGN으로부터 66.9M 지명에 걸친 stratification 및 중복 제거를 거쳐 얻은 고유 학습 쌍 5,088,419건으로 구성된다.
• WHG 배치는 World Historical Gazetteer 내에서 6700만 개 이상 지명에 대한 음성 검색 및 조정을 가능하게 한다.
• 임베딩은 128차원이며 Teacher(발음 특징)와 Student(문자 열)로 구성된 3단계 커리큘럼으로 학습된다.