Evidential relational-graph convolutional networks for entity classification in knowledge graphs


Weller, Tobias ; Paulheim, Heiko


[img] PDF
weller2021ergcn.pdf - Veröffentlichte Version

Download (1MB)

DOI: https://doi.org/10.1145/3459637.3482102
URL: https://madoc.bib.uni-mannheim.de/60876
Weitere URL: https://dl.acm.org/doi/abs/10.1145/3459637.3482102
URN: urn:nbn:de:bsz:180-madoc-608768
Dokumenttyp: Konferenzveröffentlichung
Erscheinungsjahr: 2021
Buchtitel: CIKM '21 : Proceedings of the 30th ACM International Conference on Information & Knowledge Management
Seitenbereich: 3533-3537
Veranstaltungstitel: CIKM '21
Veranstaltungsort: Online
Veranstaltungsdatum: 1.-5.11.2021
Herausgeber: Demartini, Gianluca ; Zuccon, Guido
Ort der Veröffentlichung: New York, NY
Verlag: Association for Computing Machinery
ISBN: 978-1-4503-8446-9
Sprache der Veröffentlichung: Englisch
Einrichtung: Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Data Science (Paulheim 2018-)
Bereits vorhandene Lizenz: Creative Commons Namensnennung, Weitergabe unter gleichen Bedingungen 4.0 International (CC BY-SA 4.0)
Fachgebiet: 004 Informatik
Freie Schlagwörter (Englisch): evidential learning , graph convolutional neural network , knowledge graph, entity classification
Abstract: Despite the vast amount of information encoded in knowledge graphs, they often remain incomplete. Neural networks, in particular Graph Convolutional Neural Networks, have been shown to be effective predictors to complete information about the class affiliation of entities in knowledge graphs. However, these models remain ignorant to their predictions confidence due to their used point estimate of a softmax output. In this paper, we combine Graph Convolutional Neural Networks with recent developments in the field of Evidential Learning by placing a Dirichlet distribution on the class probabilities to overcome this problem. We use the continuous output of a Graph Convolutional Neural Network as parameters for a Dirichlet distribution. In this way, the predictions of the model are represented as a distribution over possible softmax outputs, rather than a point estimate of a softmax output. The experiments show that a better performance in predicting class affiliations can be achieved compared to recent models. In addition, the experiments show that this approach overcomes the well-known problem of overconfident prediction of deterministic neural networks.
Zusätzliche Informationen: Online-Ressource




Dieser Eintrag ist Teil der Universitätsbibliographie.

Das Dokument wird vom Publikationsserver der Universitätsbibliothek Mannheim bereitgestellt.




Metadaten-Export


Zitation


+ Suche Autoren in

BASE: Weller, Tobias ; Paulheim, Heiko

Google Scholar: Weller, Tobias ; Paulheim, Heiko

ORCID: Weller, Tobias ; Paulheim, Heiko ORCID: 0000-0003-4386-8195

+ Download-Statistik

Downloads im letzten Jahr

Detaillierte Angaben



Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail


Actions (login required)

Eintrag anzeigen Eintrag anzeigen