Universität Bayreuth

Ricardo Büttner

Anschrift:

Leistungsprofil:

• Forschung zu modernen Machine Learning Methoden in den folgenden Anwendungsdomänen:
• Industrial Data Science – u. a. vollautomatisierte Erkennung von Material- und Oberflächenfehlern
• Medical Data Science – Entscheidungsunterstützung bei der Diagnose von Krankheiten
• Human-Computer Interaction – Auswertung spezifischer Zustände von Anwendern

• PredIkt – SmartCT (BMWi): Optimierung eines Convolutional Neural Networks für die Erkennung von Bauteildefekten auf CT-Bildern

• Datenbereinigung und -vorverarbeitung (u.a. hochauflösende Spektralanalyse)
• Messung spezifischer Anwenderzustände (u.a. Interesse, Konzentration und Stress) auf Basis von Biosignalen
• Training, Optimierung und Evaluation von Machine Learning und Deep Learning Modellen

Publikationen:

• Buettner, R.; Sauer, S.; Maier, C.; Eckhardt, A.: Real-time Prediction of User Performance based on Pupillary Assessment via Eye-Tracking. AIS Transactions on Human Computer Interaction, 10(1):26–56, 2018, doi:10.17705/1thci.00103
• Buettner, R.: Getting a job via career-oriented social networking markets: The weakness of too many ties. Electronic Markets, 27(4):371–385, 2017, doi:10.1007/s12525-017-0248-3
• Buettner, R.: Predicting user behavior in electronic markets based on personality-mining in large online social networks: A personality-based product recommender framework. Electronic Markets, 27(3):247–265, 2017, doi:10.1007/s12525-016-0228-z
• Gross, J.; Buettner, R.; Baumgartl, H.: Benchmarking Transfer Learning Strategies in Time-Series Imaging: Recommendations for Analyzing Raw Sensor Data. IEEE Access, 10:16977–16991, 2022. doi:10.1109/ACCESS.2022.3148711
• Sörgel, T; Buettner, R., Baumgartl, H., Seifert, T., Metzner, M., Feige, K., Ispas, A., Endikrat, A., Leimbach, M., Bund, A.: The need for digitalisation in electroplating - How digital approaches can help to optimize the electrodeposition of chromium from trivalent electrolytes. Journal of Electrochemistry and Plating Technology, 14(1):2–11, 2021.
• Timm, I. J.; Spaderna, H.; Rodermund, S. C.; Lohr, C.; Buettner, R.; Berndt, J. O.: Designing a Randomized Trial with an Age Simulation Suit: Representing People with Health Impairments. Healthcare, 9(1):27, 2021.
• Rieg, T.; Frick, J.; Baumgartl, H.; Buettner, R.: Demonstration of the potential of whitebox machine learning approaches to gain insights from cardiovascular disease electrocardiograms. PLOS ONE, 15(12):e0243615, 2020.
• Baumgartl, H.; Tomas, J.; Buettner, R.; Merkel, M.: A deep learning based model for defect detection in laser-powder bed fusion using in-situ thermographic monitoring. Progress in Additive Manufacturing, 5:277–285, 2020. doi:10.1007/s40964-019-00108-3
• Buettner, R.; Gross, J.; Roessler, P.; Winter, J.; Sauter, D.; Baumgartl, H.; Ulrich, P.: High-Performance Fake Voice Detection on Automatic Speaker Verification Systems for the Prevention of Cyber Fraud with Convolutional Neural Networks. In: HICSS-55 Proceedings: 55th Hawaii International Conference on System Sciences (HICSS-55), 2022, pp. 6302–6311.
• Breitenbach, J.; Eckert, I.; Mahal, V.; Baumgartl, H.; Buettner, R.: Automated Defect Detection of Screws in the Manufacturing Industry using Convolutional Neural Networks. In: HICSS-55 Proceedings: 55th Hawaii International Conference on System Sciences (HICSS-55), 2022, pp. 1226–1235.

Kooperationsangebot für die Wirtschaft / Praxis:

• Anwendung von modernen Data-Science-Methoden auf industrielle Problemstellungen (z.B. zerstörungsfreie und zuverlässige Prüfung von Werkstücken) sowie Problemstellungen im Bereich der Medizin und Gesundheitswissenschaften (z.B. Entscheidungsunterstützung bei der Diagnose von Krankheiten)
• Für weitere Themen siehe Webseite

Bestehende Kooperationen: