Tobias Huber M.Sc.

Wissenschaftlicher Mitarbeiter
Lehrstuhl für Menschzentrierte Künstliche Intelligenz
Telefon: (+49)(0)821 – 598 2336
E-Mail:
Raum: 2015 (N)
Adresse: Universitätsstraße 6a, 86159 Augsburg

Forschungsinteressen

Im Fokus meiner Forschung steht die Erklärbarkeit Künstlicher Intelligenz und insbesondere des Bestärkenden Lernens (Reinforcement Learning).


Ich finde es faszinierend, wie bestärkende Lernalgorithmen nur auf Basis von Beobachtungen und Belohnungen selbstständig Strategien entwickeln können. Zum Teil entwickeln die Agenten sogar neue Strategien, die selbst Menschen so noch nicht bedacht haben ( z.B. beim Schachcomputer AlphaZero). Da man hierbei jedoch lediglich das Ziel der Agenten festlegt, ist oft nicht klar, wie genau die gelernten Strategien aussehen. Dieser Umstand wird durch die Verwendung moderner maschineller Lernverfahren noch verstärkt, die zwar beachtliche Erfolge erzielen jedoch auch sehr undurchsichtig sind.


Ziel meiner Forschung ist die Entwicklung neuer Algorithmen, die das Verhalten intelligenter Agenten für Nutzer erklärbar machen und somit die Zusammenarbeit von Mensch und Computer erleichtern.

Vorträge

2021

Erklärbares tiefes Bestärkendes Lernen. Eingeladener Gastvortrag im Rahmen des CSL Machine Learning Reading Clubs des Computational Science Lab (CSL) an der Universität Hohenheim, 02.02.2021, Folien .

Lehre

Einblicke in entstandene Abschlussprojekte

© Universität Augsburg

Betreute Abschlussarbeiten

  • Using Reinforcement Learning to facilitate Implicit Learning in a VR Sports Simulation (Bachelor, 2021)
  • Understanding Subliminal Persuasive Body Language in Political Speeches via Explainable Artificial Intelligence (Bachelor, 2021)
  • Verbinden von Belohnungs-Zerlegung und Strategie-Zusammenfassung für erklärbares Bestärkendes Lernen (Bachelor, 2021)
  • Exploring an Explainable Reinforcement Learning Design for a Self Learning American Football Simulation (Master, 2020)
  • Implementation and Comparison of Occlusion-based Explainable Artificial Intelligence Methods (Bachelor,  2020, Link)
  • Implementierung und Vergleich verschiedener Salienz-Karten Algorithmen für tiefes bestärkendes Lernen (Master, 2019)

Publikationen

Tobias Huber
2020 | 2019 | 2018

2020

Katharina Weitz, Dominik Schiller, Ruben Schlagowski, Tobias Huber and Elisabeth André. 2020. "Let me explain!": exploring the potential of virtual agents in explainable AI interaction design. DOI: 10.1007/s12193-020-00332-0
PDF | BibTeX | RIS | DOI

Simon Flutura, Andreas Seiderer, Tobias Huber, Katharina Weitz, Ilhan Aslan, Ruben Schlagowski, Elisabeth André and Joachim Rathmann. 2020. Interactive machine learning and explainability in mobile classification of forest-aesthetics. DOI: 10.1145/3411170.3411225
PDF | BibTeX | RIS | DOI

Tobias Huber, Katharina Weitz, Elisabeth André and Ofra Amir. 2020. Local and global explanations of agent behavior: integrating strategy summaries with saliency maps.

Dominik Schiller, Tobias Huber, Michael Dietz and Elisabeth André. 2020. Relevance-based data masking: a model-agnostic transfer learning approach for facial expression recognition. DOI: 10.3389/fcomp.2020.00006
PDF | BibTeX | RIS | DOI

Silvan Mertes, Tobias Huber, Katharina Weitz, Alexander Heimerl and Elisabeth André. 2020. This is not the texture you are looking for! Introducing novel counterfactual explanations for non-experts using generative adversarial learning.
PDF | BibTeX | RIS | URL

Klaus Weber, Lukas Tinnes, Tobias Huber, Alexander Heimerl, Eva Pohlen, Marc-Leon Reinecker and Elisabeth André. 2020. Towards demystifying subliminal persuasiveness: using XAI-techniques to highlight persuasive markers of public speeches. DOI: 10.1007/978-3-030-51924-7_7
PDF | BibTeX | RIS | DOI

2019

Katharina Weitz, Dominik Schiller, Ruben Schlagowski, Tobias Huber and Elisabeth André. 2019. "Do you trust me?" Increasing user-trust by integrating virtual agents in explainable AI interaction design. DOI: 10.1145/3308532.3329441
PDF | BibTeX | RIS | DOI

Tobias Huber, Dominik Schiller and Elisabeth André. 2019. Enhancing explainability of deep reinforcement learning through selective layer-wise relevance propagation. DOI: 10.1007/978-3-030-30179-8_16
PDF | BibTeX | RIS | DOI

Stanislava Rangelova, Simon Flutura, Tobias Huber, Daniel Motus and Elisabeth André. 2019. Exploration of physiological signals using different locomotion techniques in a VR adventure game. DOI: 10.1007/978-3-030-23560-4_44
PDF | BibTeX | RIS | DOI

Dominik Schiller, Tobias Huber, Florian Lingenfelser, Michael Dietz, Andreas Seiderer and Elisabeth André. 2019. Relevance-based feature masking: improving neural network based whale classification through explainable artificial intelligence. DOI: 10.21437/interspeech.2019-2707
PDF | BibTeX | RIS | DOI

2018

Tobias Huber. 2018. Tiefes bestärkendes Lernen: Grundlagen, Approximationseigenschaft und Implementierung multimodaler Erklärungen.
PDF | BibTeX | RIS

Suche