Robert Müller, M.Sc.

Robert Müller, M.Sc.

Lehrstuhl für Mobile und Verteilte Systeme

Ludwig-Maximilians-Universität München, Institut für Informatik

Oettingenstraße 67
80538 München

Discord: romue404#9696

Raum E 107

Telefon: +49 89 / 2180-9157 (derzeit nicht besetzt)

Fax: +49 89 / 2180-9148

Mail: robert.mueller@ifi.lmu.de

Research Interests

  • Deep Learning (especially on audio)
  • (Acoustic) Anomaly Detection
  • Self-Supervised Learning / Representation Learning
  • (Compositional) Reinforcement Learning

Publications

  • Steffen Illium, Robert Müller, Andreas Sedlmeier and Claudia Linnhoff-Popien, Surgical Mask Detection with Convolutional Neural Networks and Data Augmentations on Spectrograms, accepted at INTERSPEECH 2020. [arXiv]
  • Andreas Sedlmeier, Robert Müller, Steffen Illium and Claudia Linnhoff-Popien, Policy Entropy for Out-of-Distribution Classification, accepted at ICANN 2020. [arXiv]
  • Fabian Ritz,  Felix Hohnstein, Robert Müller, Thomy Phan, Thomas Gabor, Carsten Hahn and Claudia Linnhoff-Popien, „Towards Ecosystem Management from Greedy Reinforcement Learning in a Predator-Prey Setting„, in Artificial Life Conference Proceedings MIT Press, 2020, pp. 518-525. [PDF]
  • Christoph Roch, Thomy Phan, Sebastian Feld, Robert Müller, Thomas Gabor and Claudia Linnhoff-Popien, „A Quantum Annealing Algorithm for Finding Pure Nash Equilibria in Graphical Games“ in International Conference on Computational Science, Springer 2020, pp. 488-501. [arXiv]
  • Steffen Illium, Philipp Friese, Robert Müller and Sebastian Feld, „What to do in the meantime: Analysis of Service Coverage for Parked Autonomous Vehicles“ in AGILE GIScience Ser., 1, 7, 2020. [PDF]
  • Robert Müller, Stefan Langer, Fabian Ritz, Christoph Roch, Steffen Illium and Claudia Linnhoff-Popien, „Soccer Team Vectors“, 6th Workshop on Machine Learning and Data Mining for Sports Analytics (MLSA’19), 2019. [arXiv]
  • Stefan Langer, Robert Müller, Claudia Linnhoff-Popien and Kyrill Schmid, „Difficulty Classification of Mountainbike Downhill Trails utilizing Deep Neural Networks“,  6th Workshop on Machine Learning and Data Mining for Sports Analytics (MLSA’19), 2019. [arXiv]
  • Daniel Elsner, Stefan Langer, Fabian Ritz, Robert Müller and Steffen Illium, „Deep Neural Baselines for Computational Paralinguistics“, in Proc. Interspeech 2019, ISCA Archive, 2019, pp. 2388-2392. [PDF]
  • Thomy Phan, Thomas Gabor, Robert Müller, Christoph Roch, and Claudia Linnhoff-Popien, „Adaptive Thompson Sampling Stacks for Memory Bounded Open-Loop Planning“ in 28th International Joint Conference on Artificial Intelligence (IJCAI ’19), 2019. [PDF]

Preprints

  • Robert Müller, Steffen Illium, Fabian Ritz, Tobias Schröder, Christian Platschek, Jörg Ochs and Claudia Linnhoff-Popien, Acoustic Leak Detection in Water Networks (submitted to ICPR20)
  • Robert Müller, Fabian Ritz, Steffen Illium and Claudia Linnhoff-Popien, Acoustic Anomaly Detection for Machine Sounds based on Image Transfer Learning [arXiv]

Hinweis zu Abschlussarbeiten

Für Einzelpraktika (EP), Bachelorarbeiten (BA) und Masterarbeiten (MA) muss eine gewisse Einarbeitungszeit eingeplant werden die sich an den Vorkenntnissen des Studierenden orientiert.
Die Bearbeitungszeit liegt bei bis zu 20 Wochen bei einer BA und bis zu 26 Wochen bei einer MA. Der Bearbeitungszeitraum eines EP umfasst ein Semester.
Antworten auf Anfragen sind nicht als Zusage für die Betreuung zu werten.

Offene Arbeiten

Bei Interesse an einem der ausgeschriebenen Themen einfach eine E-Mail schreiben.
Gerne können Sie sich auch jederzeit mit einer eigenen Idee in meinem Forschungsbereich bei mir melden.

  • Evaluating different Neural Network Architectures for Acoustic Anomaly Detection (BA,MA,EP)

In Bearbeitung

  • Unsupervised Face Detection with Autoencoders
  • Implizite Emergente Kommunikation im Reinforcement Learning durch Pheromonspuren

Abgeschlossen

  • Neural Soccer Transfer Prediction
  • Language-supported Reinforcement Learning for Learning Compositional Behaviour Patterns
  • Online Fashion Recommendation using Automated Feature Extraction
  • Self-Supervised Audio Representation Learning by Sorting Audio Snippets