Umeå universitets logga

umu.sePublikationer
Driftstörningar
Det förekommer återkommande driftstörningar på några av sök-portalerna på grund av hög belastning. Vi arbetar på att lösa problemet, ni kan tillfälligt mötas av ett felmeddelande.
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Formalizing BPE Tokenization
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap.ORCID-id: 0000-0002-3692-6994
Department of Computer Science, Stellenbosch University, Stellenbosch, South Africa.
2023 (Engelska)Ingår i: 13th International Workshop onNon-Classical Models of Automata and Applications (NCMA 2023) / [ed] Nagy B., Freund R., Open Publishing Association , 2023, s. 16-27Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

In this paper, we formalize practical byte pair encoding tokenization as it is used in large language models and other NLP systems, in particular we formally define and investigate the semantics of the SentencePiece and HuggingFace tokenizers, in particular how they relate to each other, depending on how the tokenization rules are constructed. Beyond this we consider how tokenization can be performed in an incremental fashion, as well as doing it left-to-right using an amount of memory constant in the length of the string, enabling e.g. using a finite state string-to-string transducer.

Ort, förlag, år, upplaga, sidor
Open Publishing Association , 2023. s. 16-27
Serie
Electronic Proceedings in Theoretical Computer Science, EPTCS, ISSN 2075-2180
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:umu:diva-215226DOI: 10.4204/EPTCS.388.4ISI: 001113966700005Scopus ID: 2-s2.0-85173029200OAI: oai:DiVA.org:umu-215226DiVA, id: diva2:1805813
Konferens
13th International Workshop on Non-Classical Models of Automata and Applications, NCMA 2023, 18-19 September, 2023, Famagusta, Cyprus
Tillgänglig från: 2023-10-18 Skapad: 2023-10-18 Senast uppdaterad: 2025-04-24Bibliografiskt granskad

Open Access i DiVA

fulltext(285 kB)587 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 285 kBChecksumma SHA-512
773701364ffc10b313c128167be9abd019913cfc18a411f0c747a6fadc4c62dea45d970e00cf55eb676888de53d84d32ef015a26c5e99b03714544044d3e2436
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltextScopus

Person

Berglund, Martin

Sök vidare i DiVA

Av författaren/redaktören
Berglund, Martin
Av organisationen
Institutionen för datavetenskap
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 587 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 747 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf