Umeå universitets logga

umu.sePublikationer
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
Constructing a BPE tokenization DFA
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap.ORCID-id: 0000-0002-3692-6994
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap.
Department of Computer Science, Stellenbosch University, Stellenbosch, South Africa; National Institute for Theoretical and Computational Sciences, Stellenbosch, South Africa.
2026 (Engelska)Ingår i: Theoretical Computer Science, ISSN 0304-3975, E-ISSN 1879-2294, Vol. 1083, artikel-id 116131Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

Many natural language processing systems operate over tokenizations of text to address the open-vocabulary problem. In this paper, we give and analyze an algorithm for the efficient construction of deterministic finite automata (DFA) designed to operate directly on tokenizations produced by the popular byte pair encoding (BPE) technique. This makes it possible to apply many existing techniques and algorithms to the tokenized case, such as pattern matching, equivalence checking of tokenization dictionaries, and composing tokenized languages in various ways. The construction preserves some key properties of the automaton, and we use this to establish asymptotic bounds on the state complexity of the automata that result. Finally, we demonstrate how to construct an input-deterministic (subsequential) string-to-string transducer which precisely describes the relationship between strings and their correct tokenizations.

Ort, förlag, år, upplaga, sidor
Elsevier, 2026. Vol. 1083, artikel-id 116131
Nyckelord [en]
Automata theory, Byte pair encoding, Tokenization
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:umu:diva-257600DOI: 10.1016/j.tcs.2026.116131ISI: 001815056100001Scopus ID: 2-s2.0-105043575844OAI: oai:DiVA.org:umu-257600DiVA, id: diva2:2092282
Forskningsfinansiär
Wallenberg AI, Autonomous Systems and Software Program (WASP)Tillgänglig från: 2026-08-14 Skapad: 2026-08-14 Senast uppdaterad: 2026-08-14Bibliografiskt granskad

Open Access i DiVA

fulltext(2530 kB)17 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 2530 kBChecksumma SHA-512
f4d17cb40cc455b04158e71078697726f2e8b1a565b172cacf78d72eab2b771cf8752b55e5fa634106f65d5f40b3b8d6526f6565fbf4c28e5d1bceb0d95de58d
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltextScopus

Person

Berglund, MartinMartens, Willeke

Sök vidare i DiVA

Av författaren/redaktören
Berglund, MartinMartens, Willeke
Av organisationen
Institutionen för datavetenskap
I samma tidskrift
Theoretical Computer Science
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
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: 1395 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