본 논문은 필기체 인식의 어려움, 특히 시간과 지역에 따른 문자 집합과 빈도 변화로 인한 성능 저하 문제를 해결하기 위해 Wasserstein distance 기반의 새로운 손실 함수를 제안합니다. 이 함수는 예측된 텍스트의 문자 빈도 분포와 훈련 데이터에서 얻은 목표 분포 간의 차이를 페널티함으로써 시간적, 상황적 변화에 강인하고 정확도가 높은 모델을 구축합니다. 또한, 추론 시 재훈련 없이도 문자 분포 정렬을 이용한 guided decoding 방식을 제시하여 성능 향상을 보입니다. 다양한 데이터셋과 아키텍처에서 실험을 통해 제안 방법의 효과를 검증하고, 코드를 공개합니다.
