Tobias Leemann

Seit April 2021 bin ich als Doktorand in der Data Science and Analytics Arbeitsgruppe (DSAR) der Universität Tübingen unter der Leitung von Prof. Dr. Kasneci tätig. Meinen Bachelor und Master habe ich an der Universität Erlangen-Nürnberg (FAU) in Computational Engineering bzw. Informatik abgeschlossen. Darüber hinaus war ich im Herbst 2019 als Austauschstudent an der Université du Québec à Montréal (UQAM) in Montréal, Kanada zu Gast. Meine Masterarbeit habe ich in der Vorentwicklung des automatisierten Fahrens bei der AUDI AG in Ingolstadt angefertigt, wo ich mich mit generativen Machine Learning-Ansätzen zur Modellierung menschlichen Fahrverhaltens beschäftigt habe.

Forschungsinteressen

Forschungsschwerpunkte meiner Arbeit sind die Entwicklung und Umsetzung neuer Erklärbarkeitskonzepte für Methoden des maschinellen Lernens. Besonderes Interesse habe ich an Erklärbarkeitsansätzen für komplexe Datentypen, wie zum Beispiel Bildern.

Publikationen

2023

When are Post-hoc Conceptual Explanations Identifiable? by Tobias Leemann*, Michael Kirchhof*, Yao Rong, Enkelejda Kasneci and Gjergji Kasneci. Conference on Uncertainty in Artificial Intelligence (UAI 2023). Accepted.

Language Models are Realistic Tabular Data Generators by Vadim Borisov, Kathrin Sessler, Tobias Leemann, Martin Pawelczyk und Gjergji Kasneci. International Conference on Learning Representations (ICLR 2023).

On the Trade-Off between Actionable Explanations and the Right to be Forgotten by Martin Pawelczyk, Tobias Leemann, Asia Biega und Gjergji Kasneci. International Conference on Learning Representations (ICLR 2023).

2022

Deep Neural Networks and Tabular Data: A Survey by Vadim Borisov, Tobias Leemann, Kathrin Sessler, Johannes Haug, Martin Pawelczyk and Gjergji Kasneci. IEEE Transactions on Neural Networks and Learning Systems (TNNLS).

A Constistent and Efficient Evaluation Strategy for Attribution Methods by Yao Rong*, Tobias Leemann*, Vadim Borisov, Gjergji Kasneci and Enkelejda Kasneci. International Conference on Machine Learning (ICML2022).

I Prefer not to Say: Operationalizing Fair and User-guided Data Minimization by Tobias Leemann, Martin Pawelczyk, Christian Thomas Eberle and Gjergji Kasneci. NeuIPS22 Workshop on Algorithmic Fairness through the Lens of Causality and Privacy.

On the Trade-Off between Actionable Explanations and the Right to be Forgotten by Martin Pawelczyk, Tobias Leemann, Asia Biega und Gjergji Kasneci. NeuIPS22 Workshop on Trustworthy and Socially Responsible Machine Learning.

Towards Human-centered Explainable AI: User Studies for Model Explanations by Yao Rong, Tobias Leemann, Thai-trang Nguyen, Lisa Fiedler, Tina Seidel, Gjergji Kasneci and Enkelejda Kasneci. Preprint.

Coherence Evaluation of Visual Concepts with Objects and Language by Tobias Leemann, Yao Rong, Stefan Kraft, Enkelejda Kasneci and Gjergji Kasneci. ICLR2022 Workshop on Objects, Structure and Causality.

2021

Deep Neural Networks and Tabular Data: A Survey by Vadim Borisov, Tobias Leemann, Kathrin Seßler, Johannes Haug, Martin Pawelczyk, and Gjergji Kasneci. Preprint.