Segmentation Beyond Defaults: Asymmetrical Byte Pair Encoding for Optimal Machine Translation Performance
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Yadav, Saumitra, Shrivastava, Manish |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Get away with less: Need of source side data curation to build parallel corpus for low resource Machine Translation
par: Yadav, Saumitra, et autres
Publié: (2026)
par: Yadav, Saumitra, et autres
Publié: (2026)
Theoretical Analysis of Byte-Pair Encoding
par: Kozma, László, et autres
Publié: (2024)
par: Kozma, László, et autres
Publié: (2024)
Entropy-Driven Pre-Tokenization for Byte-Pair Encoding
par: Hu, Yifan, et autres
Publié: (2025)
par: Hu, Yifan, et autres
Publié: (2025)
A Formal Perspective on Byte-Pair Encoding
par: Zouhar, Vilém, et autres
Publié: (2023)
par: Zouhar, Vilém, et autres
Publié: (2023)
Language Models over Canonical Byte-Pair Encodings
par: Vieira, Tim, et autres
Publié: (2025)
par: Vieira, Tim, et autres
Publié: (2025)
From Pixels to Tokens: Byte-Pair Encoding on Quantized Visual Modalities
par: Zhang, Wanpeng, et autres
Publié: (2024)
par: Zhang, Wanpeng, et autres
Publié: (2024)
Analyzing Byte-Pair Encoding on Monophonic and Polyphonic Symbolic Music: A Focus on Musical Phrase Segmentation
par: Le, Dinh-Viet-Toan, et autres
Publié: (2024)
par: Le, Dinh-Viet-Toan, et autres
Publié: (2024)
Boundless Byte Pair Encoding: Breaking the Pre-tokenization Barrier
par: Schmidt, Craig W., et autres
Publié: (2025)
par: Schmidt, Craig W., et autres
Publié: (2025)
Can Constructions "SCAN" Compositionality ?
par: Katrapati, Ganesh, et autres
Publié: (2025)
par: Katrapati, Ganesh, et autres
Publié: (2025)
Hybrid Tokenization Strategy for DNA Language Model using Byte Pair Encoding and K-MER Methods
par: Sapkota, Ganesh, et autres
Publié: (2025)
par: Sapkota, Ganesh, et autres
Publié: (2025)
Parity-Aware Byte-Pair Encoding: Improving Cross-lingual Fairness in Tokenization
par: Foroutan, Negar, et autres
Publié: (2025)
par: Foroutan, Negar, et autres
Publié: (2025)
Byte Pair Encoding Is All You Need For Automatic Bengali Speech Recognition
par: Samin, Ahnaf Mozib
Publié: (2024)
par: Samin, Ahnaf Mozib
Publié: (2024)
Scaffold-BPE: Enhancing Byte Pair Encoding for Large Language Models with Simple and Effective Scaffold Token Removal
par: Lian, Haoran, et autres
Publié: (2024)
par: Lian, Haoran, et autres
Publié: (2024)
Peek2: Regex-free Byte-level Byte-Pair Encoding Pretokenizer for LLM Inference on Edge Devices
par: Zai, Liu, et autres
Publié: (2026)
par: Zai, Liu, et autres
Publié: (2026)
Beyond Single-Reward: Multi-Pair, Multi-Perspective Preference Optimization for Machine Translation
par: Wang, Hao, et autres
Publié: (2025)
par: Wang, Hao, et autres
Publié: (2025)
Integrating Multi-scale Contextualized Information for Byte-based Neural Machine Translation
par: Huang, Langlin, et autres
Publié: (2024)
par: Huang, Langlin, et autres
Publié: (2024)
MARCUS: An Event-Centric NLP Pipeline that generates Character Arcs from Narratives
par: Bhyravajjula, Sriharsh, et autres
Publié: (2025)
par: Bhyravajjula, Sriharsh, et autres
Publié: (2025)
Automatic Normalization of Word Variations in Code-Mixed Social Media Text
par: Singh, Rajat, et autres
Publié: (2018)
par: Singh, Rajat, et autres
Publié: (2018)
MoCE: Adaptive Mixture of Contextualization Experts for Byte-based Neural Machine Translation
par: Huang, Langlin, et autres
Publié: (2024)
par: Huang, Langlin, et autres
Publié: (2024)
LastResort at SemEval-2024 Task 3: Exploring Multimodal Emotion Cause Pair Extraction as Sequence Labelling Task
par: Mathur, Suyash Vardhan, et autres
Publié: (2024)
par: Mathur, Suyash Vardhan, et autres
Publié: (2024)
Segmentation-Free Streaming Machine Translation
par: Iranzo-Sánchez, Javier, et autres
Publié: (2023)
par: Iranzo-Sánchez, Javier, et autres
Publié: (2023)
Breaking It Down: Domain-Aware Semantic Segmentation for Retrieval Augmented Generation
par: Allamraju, Aparajitha, et autres
Publié: (2025)
par: Allamraju, Aparajitha, et autres
Publié: (2025)
Sentiment Analysis of Code-Mixed Languages leveraging Resource Rich Languages
par: Choudhary, Nurendra, et autres
Publié: (2018)
par: Choudhary, Nurendra, et autres
Publié: (2018)
Zero-Shot Multi-task Hallucination Detection
par: Bhamidipati, Patanjali, et autres
Publié: (2024)
par: Bhamidipati, Patanjali, et autres
Publié: (2024)
TeClass: A Human-Annotated Relevance-based Headline Classification and Generation Dataset for Telugu
par: Kanumolu, Gopichand, et autres
Publié: (2024)
par: Kanumolu, Gopichand, et autres
Publié: (2024)
Emotions are Universal: Learning Sentiment Based Representations of Resource-Poor Languages using Siamese Networks
par: Choudhary, Nurendra, et autres
Publié: (2018)
par: Choudhary, Nurendra, et autres
Publié: (2018)
Neural Network Architecture for Credibility Assessment of Textual Claims
par: Choudhary, Nurendra, et autres
Publié: (2018)
par: Choudhary, Nurendra, et autres
Publié: (2018)
Contrastive Learning of Emoji-based Representations for Resource-Poor Languages
par: Choudhary, Nurendra, et autres
Publié: (2018)
par: Choudhary, Nurendra, et autres
Publié: (2018)
Team ACK at SemEval-2025 Task 2: Beyond Word-for-Word Machine Translation for English-Korean Pairs
par: Lee, Daniel, et autres
Publié: (2025)
par: Lee, Daniel, et autres
Publié: (2025)
Asymmetric Conflict and Synergy in Post-training for LLM-based Multilingual Machine Translation
par: Zheng, Tong, et autres
Publié: (2025)
par: Zheng, Tong, et autres
Publié: (2025)
Segment-Based Interactive Machine Translation for Pre-trained Models
par: Navarro, Angel, et autres
Publié: (2024)
par: Navarro, Angel, et autres
Publié: (2024)
DaVinci at SemEval-2024 Task 9: Few-shot prompting GPT-3.5 for Unconventional Reasoning
par: Mathur, Suyash Vardhan, et autres
Publié: (2024)
par: Mathur, Suyash Vardhan, et autres
Publié: (2024)
TabXEval: Why this is a Bad Table? An eXhaustive Rubric for Table Evaluation
par: Pancholi, Vihang, et autres
Publié: (2025)
par: Pancholi, Vihang, et autres
Publié: (2025)
Low-resource Machine Translation for Code-switched Kazakh-Russian Language Pair
par: Borisov, Maksim, et autres
Publié: (2025)
par: Borisov, Maksim, et autres
Publié: (2025)
Different Speech Translation Models Encode and Translate Speaker Gender Differently
par: Fucci, Dennis, et autres
Publié: (2025)
par: Fucci, Dennis, et autres
Publié: (2025)
Beyond Correlation: Interpretable Evaluation of Machine Translation Metrics
par: Perrella, Stefano, et autres
Publié: (2024)
par: Perrella, Stefano, et autres
Publié: (2024)
A Paradigm Shift in Machine Translation: Boosting Translation Performance of Large Language Models
par: Xu, Haoran, et autres
Publié: (2023)
par: Xu, Haoran, et autres
Publié: (2023)
Beyond Reproduction: A Paired-Task Framework for Assessing LLM Comprehension and Creativity in Literary Translation
par: Zhang, Ran, et autres
Publié: (2026)
par: Zhang, Ran, et autres
Publié: (2026)
A Survey of using Large Language Models for Generating Infrastructure as Code
par: Srivatsa, Kalahasti Ganesh, et autres
Publié: (2024)
par: Srivatsa, Kalahasti Ganesh, et autres
Publié: (2024)
Evaluating Machine Translation Models for English-Hindi Language Pairs: A Comparative Analysis
par: Shetty, Ahan Prasannakumar
Publié: (2025)
par: Shetty, Ahan Prasannakumar
Publié: (2025)
Documents similaires
-
Get away with less: Need of source side data curation to build parallel corpus for low resource Machine Translation
par: Yadav, Saumitra, et autres
Publié: (2026) -
Theoretical Analysis of Byte-Pair Encoding
par: Kozma, László, et autres
Publié: (2024) -
Entropy-Driven Pre-Tokenization for Byte-Pair Encoding
par: Hu, Yifan, et autres
Publié: (2025) -
A Formal Perspective on Byte-Pair Encoding
par: Zouhar, Vilém, et autres
Publié: (2023) -
Language Models over Canonical Byte-Pair Encodings
par: Vieira, Tim, et autres
Publié: (2025)