Arbetet undersöker mänskligt beteende hos beteendeträd och LSTM nätverk. Ett spel skapades som testades av personer i en undersökning där deltagarna fick spela tillsammans med vardera agent i slumpmässig ordning för att bedöma agenternas beteende. Resultatet från undersökningen visade att beteendeträdet var den mänskliga varianten enligt deltagarna oavsett ordning som testpersonerna spelade med vardera agent. Problemet med resultatet beror antagligen till störst del på att det inte fanns tillräckligt med tid och bristande CPU kraft för att utveckla LSTM agenten ytterligare. För att förbättra och arbeta vidare med arbetet kan mer tid läggas på att träna LSTM nätverket och finjustera beteendeträdet. För att förbättra testet borde riktig multiplayer funktionalitet implementeras som gör att det går att testa agenterna jämfört med riktiga mänskliga spelare.

In the last decades neural networks have become more frequent in video games. Neuroevolution helps us generate optimal network topologies for specific tasks, but there are still still unexplored areas of neuroevolution, and ways of improving the performance of neural networks, which we could utilize for video game playing. The aim of this thesis is to find a suitable fitness evaluation and improve the plasticity of evolved neural networks, as well as comparing the performance and general video game playing abilities of established neuroevolution methods. Using Analog Genetic Encoding we implement evolving neuromodulatory topologies in a typical two-dimensional platformer video game, and have it play against itself without neuromodulation, and against a popular genetic algorithm known as Neuroevolution of Augmenting Topologies. A suitable input and output structure is developed as well as an appropriate fitness evaluation for properly mating and mutating a population of neural networks. The benefits of neuromodulation are tested by running and completing a number of tile-based platformer video game levels. The results show an increased performance in networks influenced by neuromodulators, but no general video game playing abilities are obtained. This shows us that a more advanced general gameplay learning method with higher influence is required. / Neurala nätverk har blivit allt vanligare i tv-spel. Neuroevolution hjälper oss att utveckla optimala neurala topologier för specifika uppgifter, men det finns fortfarande outforskade områden i neuroevolution, och sätt att förbättra förmågan hos neurala nätverk som vi kan använda i spel. Målet är att hitta en lämplig fitnessbedömning och förbättra plasticiteten hos utvecklade neuralanätverk, samt jämföra deras utförande och förmåga att generellt spela videospel. Detta med hjälp av etablerade neuroevolutionmetoder. Genom Analog Genetisk Kodning implementeras utvecklande neuromodulatoriska topologier i ett typiskt tvådimensionellt platformer spel. Det används sedan för att spela mot en version av sig själv som inte har neuromodulatoriska egenskaper, samt mot en populär genetisk algoritm kallad Neuroevolution of Augmenting Topologies. Ett passande format för input och output, samt en fitnessbedömningsmetod för parande och muterande aven population av neurala nätverk utvecklas. Fördelarna med neuromodulation testas genom att låta nätverken spela ett antal tile-baserade platformerbanor. Resultaten visar en förbättring av utförandet hos nätverk som utvecklat neuromodulatorer, dock inga generella spelkunskaper kunde läras. Detta visar oss att en mer avancerad metod för generellt spelande krävs för att kunna få ett neuralt nätverk kunna spela och lösa mer generella problem.

Context. Machine learning is a constantly developing subfield within the artificial intelligence field. The number of domains in which we deploy machine learning models is constantly growing and the systems using these models spread almost unnoticeably in our daily lives through different devices. In previous years, lots of time and effort has been put into increasing the performance of these models, overshadowing the significant risks of attacks targeting the very core of the systems, the trained machine learning models themselves. A specific attack with the aim of fooling the decision-making of a model, called the adversarial input attack, has almost exclusively been researched for models processing image data. However, the threat of adversarial input attacks stretches beyond systems using image data, to e.g the tabular domain which is the most common data domain used in the industry. Methods used for interpreting complex machine learning models can help humans understand the behavior and predictions of these complex machine learning systems. Understanding the behavior of a model is an important component in detecting, understanding and mitigating vulnerabilities of the model. Objectives. This study aims to reduce the research gap of adversarial input attacks and defenses targeting machine learning models in the tabular data domain. The goal of this study is to analyze how model-agnostic interpretation methods can be used in order to mitigate and detect adversarial input attacks on tabular data. Methods. The goal is reached by conducting three consecutive experiments where model interpretation methods are analyzed and adversarial input attacks are evaluated as well as visualized in terms of perceptibility. Additionally, a novel method for adversarial input attack detection based on model interpretation is proposed together with a novel way of defensively using feature selection to reduce the attack vector size. Results. The adversarial input attack detection showed state-of-the-art results with an accuracy over 86%. The proposed feature selection-based mitigation technique was successful in hardening the model from adversarial input attacks by reducing their scores by 33% without decreasing the performance of the model. Conclusions. This study contributes with satisfactory and useful methods for adversarial input attack detection and mitigation as well as methods for evaluating and visualizing the imperceptibility of attacks on tabular data. / Kontext. Maskininlärning är ett område inom artificiell intelligens som är under konstant utveckling. Mängden domäner som vi sprider maskininlärningsmodeller i växer sig allt större och systemen sprider sig obemärkt nära inpå våra dagliga liv genom olika elektroniska enheter. Genom åren har mycket tid och arbete lagts på att öka dessa modellers prestanda vilket har överskuggat risken för sårbarheter i systemens kärna, den tränade modellen. En relativt ny attack, kallad "adversarial input attack", med målet att lura modellen till felaktiga beslutstaganden har nästan uteslutande forskats på inom bildigenkänning. Men, hotet som adversarial input-attacker utgör sträcker sig utom ramarna för bilddata till andra datadomäner som den tabulära domänen vilken är den vanligaste datadomänen inom industrin. Metoder för att tolka komplexa maskininlärningsmodeller kan hjälpa människor att förstå beteendet hos dessa komplexa maskininlärningssystem samt de beslut som de tar. Att förstå en modells beteende är en viktig komponent för att upptäcka, förstå och mitigera sårbarheter hos modellen. Syfte. Den här studien försöker reducera det forskningsgap som adversarial input-attacker och motsvarande försvarsmetoder i den tabulära domänen utgör. Målet med denna studie är att analysera hur modelloberoende tolkningsmetoder kan användas för att mitigera och detektera adversarial input-attacker mot tabulär data. Metod. Det uppsatta målet nås genom tre på varandra följande experiment där modelltolkningsmetoder analyseras, adversarial input-attacker utvärderas och visualiseras samt där en ny metod baserad på modelltolkning föreslås för detektion av adversarial input-attacker tillsammans med en ny mitigeringsteknik där feature selection används defensivt för att minska attackvektorns storlek. Resultat. Den föreslagna metoden för detektering av adversarial input-attacker visar state-of-the-art-resultat med över 86% träffsäkerhet. Den föreslagna mitigeringstekniken visades framgångsrik i att härda modellen mot adversarial input attacker genom att minska deras attackstyrka med 33% utan att degradera modellens klassifieringsprestanda. Slutsats. Denna studie bidrar med användbara metoder för detektering och mitigering av adversarial input-attacker såväl som metoder för att utvärdera och visualisera svårt förnimbara attacker mot tabulär data.

I projektet detekteras och följs granplantor i spatiospektrala bilder för att därefter skapa en hyperspektral datakub för av varje gran. För att detektera granarna prövas fyra metoder: manuell detektion, detektion med segmentering, detektion med SVM och detektion med neuralt nätverk. Minnesanvändning och körningstid jämförs mellan två implementationer, där hyperspektral rekonstruktion görs med olika metoder.

I projektet detekteras och följs granplantor i spatiospektrala bilder för att därefter skapa en hyperspektral datakub för av varje gran. För att detektera granarna prövas fyra metoder: manuell detektion, detektion med segmentering, detektion med SVM och detektion med neuralt nätverk. Minnesanvändning och körningstid jämförs mellan två implementationer, där hyperspektral rekonstruktion görs med olika metoder.

Neural network quantum states (NNQS) is a novel machine learning method, based on restricted Boltzmann machines, previously used to represent the wave function in many-body quantum mechanics. In this thesis, we use NNQS to instead find integrals of motion, i.e., operators, commuting with the Hamiltonian, describing a system. We also attempt to use this method to find the phase transition in systems exhibiting many-body localization. The neural network is shown to be highly successful in finding integrals of motion for the considered systems, while the outcome of finding the phase transition is less conclusive. / Neurala nätverk-kvanttillstånd (NNQS) är en ny maskinginlärnings-metod, baserad på begränsad Boltzmann-maskin-arkitektur, som tidigare använts för att representera vågfunktionen i flerkropps-kvantmekanik. I den här avhandlingen använder vi NNQS för att istället hitta rörelseintegraler, det vill säga operatorer, som kommuterar med Hamiltonianen, vilken beskriver systemet. Vi undersöker även möjligheten att använda denna metod för att hitta fasövergången i system med flerkroppslokalisering. Vi visar att de neurala nätverken är mycket framgångsrika i att hitta rörelseintegraler för de betraktade systemen, medan våra resultat gällande att hitta fasövergången är mindre slutgiltiga.

Deep neural networks (DNNs) based on satellite and radar data have shown promising results for precipitation nowcasting, beating physical models and optical flow for time horizons up to 8 hours. “MetNet”, developed by Google AI, is a 225 million parameter DNN combining three different types of architectures that was trained on satellite and radar data over the United States. They claim to be the first machine learning model to outperform physical models at such a scale. In this work, we implemented a similar but simplified model trained on radar-only Swedish data, with the aim to perform precipitation nowcasting for up to 2 hours into the future. Furthermore, we compare the model to another, simpler model that omits the spatial aggregator of the DNN architecture which is a state-of-the-art vision transformer. Our results show that, although the adopted training dataset was too small to prevent overfitting, the model is still able to outperform the persistence benchmark for lead times longer than 30 minutes with a threshold of 0.2mm/h precipitation. Our simplified model, perhaps unsurprisingly, is outperformed by MetNet because of having too few training data samples or variances in the models’ implementation. We show, nonetheless, that the adopted spatial aggregator fulfills a vital role as expected, aggregating global information into spatial and temporal contexts.  Due to the limitations imposed by the reduced size of the model, we cannot, unfortunately, draw definitive conclusions on whether a radar-only model could yield similar forecast skills as MetNet. To improve on these results, more training data is certainly needed. This would require that more robust computation resources are available, but pre-training the model on a larger dataset — or even implementing a model that takes in different geographical locations for training — can naturally lead to significant improvements in the predictions. / Djupa neurala nätverk (DNN) baserade på satellit och radar data har gett bra resultat för korta nederbördsprognoser och kan slå fysikaliska modeller och optical flow f ̈or prognoser upp till 8 timmar i framtiden. “MetNet” ̈ar ett 225 million DNN publicerat av Google som kombinerar tre olika typer av djupa arkitekturer, det är tränat på satellit och radar data över USA och är enligt dom den första maskininlärningsmodellen som presterar bättre än fysikaliska modeller. I denna uppsats har vi konstruerat en modell som liknar deras på ett nedskalat problem. Vi har färre parametrar, lägre upplöst data, endast 2 timmar prognostisering och använder bara radar data över Sverige för att träna modellen. Vi använder F1-score för att evaluera modellens prestanda och jämför prognosen mot persistens som referens. Vidare undersöker vi en mindre komplicerad modell där den tredje arkitekturen inte används för att se vilken roll vision transformern har. Våra resultat visar att datasetet vi tränat på är för litet och modellen överanpassas men modellen lyckas ändå slå persistens referensen för prognoser 30–120 minuter när en 0.2mm/h regntröskel tillämpas. Resultaten är sämre än MetNet av Google och vi kan inte dra några slutsatser huruvida en modell med endast radar-data skulle kunna ge liknande resultat eller inte, eftersom modellen inte tränats till dess fulla potential. Vi visar att den tredje arkitekturen, vision transformern, är en viktig del av nätverket och aggregerar global information till lokala kontexter över tid och rum. För att förbättra våra resultat skulle vi pröva att låta modellen träna på det amerikanska datasetet använt av Google och implementera en modell vars input varierar geografisk position.

The global pandemic has impacted daily life significantly, particularly in China. Fears of the virus, in addition to stay-at-home policies made more and more people choose to shop online instead of going to a brick-and-mortar store. Existing research shows that online shopping can reduce energy consumption and positively affect the eco-environment and sustainable development compared with traditional shopping. In this study, minor redesigns involving green certification are implemented to the Hema Fresh, an online grocery shopping application under Alibaba. An interactive prototype was created on Figma and evaluated with regular users of the application, based in Shanghai. The purpose is to study how design considerations related to green certification labeling influence consumers in online grocery shopping platform in China. The results indicate that a majorty of consumers respond positively to green certifications but not from a sustainability aspect, but rather from a health aspect. Chinese consumers’ understanding and cognition of green product labels are influenced by social advocacy and cultural background, and there are some similarities and differences with the cognition in Western society. / Sedan pandemin började har människors dagliga liv förändrats avsevärt. Av rädsla för viruset och policyer för att stanna hemma väljer fler och fler människor att handla online istället för att gå till en fysisk butik. Befintlig forskning visar att näthandel kan minska energiförbrukningen och positivt påverka miljön och hållbar utveckling jämfört med traditionell shopping. I den här studien genomfördes gränssnittsdesignen för Hema Fresh, en onlineapplikation för matkonsumtion som ägs av Alibaba, och en prototyp gjordes i Figma. Hema Fresh-användare som bor i Shanghai bjöds in att genomföra ett semistrukturerat användarupplevelsetest. Syftet är att studera vilken diskussion som rör hållbarhet och andra aspekter som kan inspireras av kinesiska konsumenter av onlinematinköpsplattformar med införandet av grön certifiering. Resultaten tyder på att sex av åtta deltagare köper produkter med gröna livsmedelsmärkningar, vilket visar att hushållskonsumenter som bor i storsstäder och med goda ekonomiska förutsättningar tenderar att köpa produkter med gröna märkningar. Kinesiska konsumenters förståelse och insikt om gröna produktetiketter påverkas av social påverkan och kulturell bakgrund, och det finns vissa likheter och skillnader med kognitionen i det västerländska samhället.

This project follows a Research through Design approach and through autobiographical design explores the question of how Interaction Design can support Lipoedema patients, by helping them cope with their body image in everyday life. Building on the concept of self-management for people with chronic medical conditions and a conscious connection between body and mind, I created a set of artefacts. The set of artefacts was connected to specific a interaction for each artefact, giving them a more meaningful purpose. Through living with these three artefacts, I was able to identify tensions revolving around themes of self-acceptance, discomfort and vulnerability. These are important when designing, not only for people diagnosed with Lipoedema, but also for any user group struggling with similar issues, such as body image. / Detta projekt följer ett forskning-genom-design tillvägagångssätt och genom autobiografisk design utforskas frågan om hur interaktionsdesign kan stötta Lipödem patienter genom att hjälpa dom förbättra sin kroppsbild i vardagen. Genom att bygga på själv-hanterings konceptet för människor med kroniska sjukdomar och med en medveten koppling mellan kropp och sinne, skapade jag en uppsättning av artefakter. Vardera artefakt var kopplade till specifika interaktioner för att på så sätt ge dom en djupare betydelse. Genom att leva med dessa tre artefakter, kunde jag utforska teman rörandes självacceptans, obehag och sårbarhet. Dessa är framför allt viktiga när man designar för människor med Lipödem men också för andra grupper av människor som kämpar med liknande problem, såsom kroppsbild.

Users are shifting from traditional TV to video streaming platforms because of the flexibility of using these media. However, most studies on accessibility in media streaming platforms explore physical impairments. Despite ADHD and dyslexia affecting around 5 and 10 percent of the population, studies combining the experience in streaming services and this neurodiverse group are still limited. This study aims to understand how people with ADHD and dyslexia experience video streaming platforms. The investigation involved recruiting people from this neurodiverse population who consume streaming and facilitate sessions with semi-structured interviews and co-design. The results show that the participants did not always show empowerment to express their needs. The study suggests an explanation of the topics that will be covered during the sessions to prepare the participant for the co-design. By doing so, the participants can reflect on their experiences beforehand. Similarly, sending them a summary of how the design methodology works might help participants understand the importance of the process, giving them more empowerment before the session starts. These suggestions can support future studies involving this neurodiverse group to be more inclusive. / Mediakonsumenter flyttar från traditionell TV till streamingplattformar eftersom de är mer flexibla. De flesta studierna om tillgänglighet på streamingplattformar handlar däremot enbart om fysiska funktionsnedsättningar. Trots att ungefär 5 till 10 procent av befolkningen antingen har ADHD eller dyslexi är de få studier som tar upp neurodiversitet i samband med streamingtjänster. Den här studien försöker förstå hur personer med ADHD eller dyslexi upplever videostreamingplattformar. Undersökningen gick ut på att personer från den neurodiversa gruppen som använde streamingplattformar fick delta i semi-strukturerade intervjuer och co-design-sessioner. Resultaten visar att deltagarna ibland inte kände att de hade möjligheten att säga vad de tyckte. Den här studien föreslår att de ämnen som ska behandlas förklaras på förhand så deltagarna kan förbereda sig inför sessionen. Deltagarna kan på så sätt reflektera över sina egna erfarenheter på förhand. Att skicka en sammanfattning av hur designmetodik fungerar kan också hjälpa deltagarna förstå vikten av designprocessen, vilket stärker dem innan sessionen börjar. Den här förslagen är några sätt att öka gruppens makt i design-sessioner som möjliggör att framtida studier kan bli mer inkluderande.