A New Text Compression Algorithm Based on Index Permutation and Suffix Coding
Notice bibliographique
Résumé
The rapid generation and utilization of text data, driven by the proliferation of the Internet of Things (IoT) and large language models, has intensified the need for efficient lossless text compression. To address this, we introduce HEES23, a novel lossless compression algorithm specifically designed for English text. HEES23 employs a unique suffix coding scheme incorporating new symbol representations and a fixed, language-optimized table to maximize compression efficiency. Additionally, the adaptive entropy reduction techniques combined with block sorting expose significant empirical entropy and redundancy in raw textual data. A key feature of HEES23 is its recursive mapping mechanism for index encoding and symbol extraction, which iteratively reduces redundancy while preserving data integrity. The algorithm has been experimentally applied to diverse human-generated text datasets and benchmarked against established standards. Results show that HEES23 achieves an average compression ratio exceeding 30% for data sizes as small as 0.1 kB, outperforming methods, such as Deflate, Brotli, LZ77, and bZIP2, which either result in negative compression or offer limited efficiency of around 10%. Furthermore, HEES23 maintains strong performance, achieving compression rates between 53% and 64% on larger and more complex datasets, underscoring its effectiveness for IoT applications requiring long-range, low-bandwidth communication.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».