Comparative analysis of subword tokenization approaches for Indian languages
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Das, Sudhansu Bala, Choudhury, Samujjal, Mishra, Tapas Kumar, Patra, Bidyut Kr. |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
An approach for mistranslation removal from popular dataset for Indic MT Task
par: Das, Sudhansu Bala, et autres
Publié: (2024)
par: Das, Sudhansu Bala, et autres
Publié: (2024)
Statistical Machine Translation for Indic Languages
par: Das, Sudhansu Bala, et autres
Publié: (2023)
par: Das, Sudhansu Bala, et autres
Publié: (2023)
Improving Multilingual Neural Machine Translation System for Indic Languages
par: Das, Sudhansu Bala, et autres
Publié: (2022)
par: Das, Sudhansu Bala, et autres
Publié: (2022)
Revisiting subword tokenization: A case study on affixal negation in large language models
par: Truong, Thinh Hung, et autres
Publié: (2024)
par: Truong, Thinh Hung, et autres
Publié: (2024)
AtteSTNet -- An attention and subword tokenization based approach for code-switched text hate speech detection
par: Shingi, Geet, et autres
Publié: (2021)
par: Shingi, Geet, et autres
Publié: (2021)
Morphological evaluation of subwords vocabulary used by BETO language model
par: García-Sierra, Óscar, et autres
Publié: (2024)
par: García-Sierra, Óscar, et autres
Publié: (2024)
On state complexity for subword-closed languages
par: Guyot, Jérôme
Publié: (2024)
par: Guyot, Jérôme
Publié: (2024)
A Counterfactual Approach for Addressing Individual User Unfairness in Collaborative Recommender System
par: Baidya, Nikita, et autres
Publié: (2026)
par: Baidya, Nikita, et autres
Publié: (2026)
Visualizing token importance for black-box language models
par: Rauba, Paulius, et autres
Publié: (2025)
par: Rauba, Paulius, et autres
Publié: (2025)
Do language models plan ahead for future tokens?
par: Wu, Wilson, et autres
Publié: (2024)
par: Wu, Wilson, et autres
Publié: (2024)
DeepMLF: Multimodal language model with learnable tokens for deep fusion in sentiment analysis
par: Georgiou, Efthymios, et autres
Publié: (2025)
par: Georgiou, Efthymios, et autres
Publié: (2025)
Collaborative decoding of critical tokens for boosting factuality of large language models
par: Jin, Lifeng, et autres
Publié: (2024)
par: Jin, Lifeng, et autres
Publié: (2024)
Is Sanskrit the most token-efficient language? A quantitative study using GPT, Gemini, and SentencePiece
par: Kumar, Anshul
Publié: (2026)
par: Kumar, Anshul
Publié: (2026)
On the scaling relationship between cloze probabilities and language model next-token prediction
par: Jacobs, Cassandra L., et autres
Publié: (2026)
par: Jacobs, Cassandra L., et autres
Publié: (2026)
Exploring News Summarization and Enrichment in a Highly Resource-Scarce Indian Language: A Case Study of Mizo
par: Bala, Abhinaba, et autres
Publié: (2024)
par: Bala, Abhinaba, et autres
Publié: (2024)
Interpreting token compositionality in LLMs: A robustness analysis
par: Aljaafari, Nura, et autres
Publié: (2024)
par: Aljaafari, Nura, et autres
Publié: (2024)
Towards Nepali-language LLMs: Efficient GPT training with a Nepali BPE tokenizer
par: Shrestha, Adarsha, et autres
Publié: (2025)
par: Shrestha, Adarsha, et autres
Publié: (2025)
A cost minimization approach to fix the vocabulary size in a tokenizer for an End-to-End ASR system
par: Kopparapu, Sunil Kumar, et autres
Publié: (2024)
par: Kopparapu, Sunil Kumar, et autres
Publié: (2024)
Multilingual Text Style Transfer: Datasets & Models for Indian Languages
par: Mukherjee, Sourabrata, et autres
Publié: (2024)
par: Mukherjee, Sourabrata, et autres
Publié: (2024)
HalluCounter: Reference-free LLM Hallucination Detection in the Wild!
par: Urlana, Ashok, et autres
Publié: (2025)
par: Urlana, Ashok, et autres
Publié: (2025)
Enhancing FKG.in: automating Indian food composition analysis
par: Gupta, Saransh Kumar, et autres
Publié: (2024)
par: Gupta, Saransh Kumar, et autres
Publié: (2024)
Comparing LLM prompting with Cross-lingual transfer performance on Indigenous and Low-resource Brazilian Languages
par: Adelani, David Ifeoluwa, et autres
Publié: (2024)
par: Adelani, David Ifeoluwa, et autres
Publié: (2024)
IndicEval: A Bilingual Indian Educational Evaluation Framework for Large Language Models
par: Bharti, Saurabh, et autres
Publié: (2026)
par: Bharti, Saurabh, et autres
Publié: (2026)
CTG-KrEW: Generating Synthetic Structured Contextually Correlated Content by Conditional Tabular GAN with K-Means Clustering and Efficient Word Embedding
par: Samanta, Riya, et autres
Publié: (2024)
par: Samanta, Riya, et autres
Publié: (2024)
ILID: Native Script Language Identification for Indian Languages
par: Ingle, Yash, et autres
Publié: (2025)
par: Ingle, Yash, et autres
Publié: (2025)
Why do LLMs attend to the first token?
par: Barbero, Federico, et autres
Publié: (2025)
par: Barbero, Federico, et autres
Publié: (2025)
Where is the signal in tokenization space?
par: Geh, Renato Lui, et autres
Publié: (2024)
par: Geh, Renato Lui, et autres
Publié: (2024)
Arithmetical subword complexity of automatic sequences
par: Konieczny, Jakub, et autres
Publié: (2023)
par: Konieczny, Jakub, et autres
Publié: (2023)
LLMs with Industrial Lens: Deciphering the Challenges and Prospects -- A Survey
par: Urlana, Ashok, et autres
Publié: (2024)
par: Urlana, Ashok, et autres
Publié: (2024)
Not a nuisance but a useful heuristic: Outlier dimensions favor frequent tokens in language models
par: Macocco, Iuri, et autres
Publié: (2025)
par: Macocco, Iuri, et autres
Publié: (2025)
No LLM is Free From Bias: A Comprehensive Study of Bias Evaluation in Large Language Models
par: Kumar, Charaka Vinayak, et autres
Publié: (2025)
par: Kumar, Charaka Vinayak, et autres
Publié: (2025)
Contextual morphologically-guided tokenization for Latin encoder models
par: Hudspeth, Marisa, et autres
Publié: (2025)
par: Hudspeth, Marisa, et autres
Publié: (2025)
SMAB: MAB based word Sensitivity Estimation Framework and its Applications in Adversarial Text Generation
par: Pandey, Saurabh Kumar, et autres
Publié: (2025)
par: Pandey, Saurabh Kumar, et autres
Publié: (2025)
AnomaLLMy -- Detecting anomalous tokens in black-box LLMs through low-confidence single-token predictions
par: Witold, Waligóra
Publié: (2024)
par: Witold, Waligóra
Publié: (2024)
Semantically Cohesive Word Grouping in Indian Languages
par: Karthika, N J, et autres
Publié: (2025)
par: Karthika, N J, et autres
Publié: (2025)
Looking beyond the next token
par: Thankaraj, Abitha, et autres
Publié: (2025)
par: Thankaraj, Abitha, et autres
Publié: (2025)
Are Large Language Models Actually Good at Text Style Transfer?
par: Mukherjee, Sourabrata, et autres
Publié: (2024)
par: Mukherjee, Sourabrata, et autres
Publié: (2024)
The pitfalls of next-token prediction
par: Bachmann, Gregor, et autres
Publié: (2024)
par: Bachmann, Gregor, et autres
Publié: (2024)
Efficient Aspect Term Extraction using Spiking Neural Network
par: Mishra, Abhishek Kumar, et autres
Publié: (2026)
par: Mishra, Abhishek Kumar, et autres
Publié: (2026)
On multi-token prediction for efficient LLM inference
par: Mehra, Somesh, et autres
Publié: (2025)
par: Mehra, Somesh, et autres
Publié: (2025)
Documents similaires
-
An approach for mistranslation removal from popular dataset for Indic MT Task
par: Das, Sudhansu Bala, et autres
Publié: (2024) -
Statistical Machine Translation for Indic Languages
par: Das, Sudhansu Bala, et autres
Publié: (2023) -
Improving Multilingual Neural Machine Translation System for Indic Languages
par: Das, Sudhansu Bala, et autres
Publié: (2022) -
Revisiting subword tokenization: A case study on affixal negation in large language models
par: Truong, Thinh Hung, et autres
Publié: (2024) -
AtteSTNet -- An attention and subword tokenization based approach for code-switched text hate speech detection
par: Shingi, Geet, et autres
Publié: (2021)