萨姆兰德·哈桑Samrand Hassan

萨姆兰德·哈桑

研究

从工程师的视角研究机器学习系统:实时特征、变化中的推荐系统,以及覆盖所有方言的库尔德语语言技术。

研究方向

  • 推荐系统
  • 机器学习流程的可复现性
  • SQL + ML 特征计算
  • 可扩展机器学习系统
  • 隐私感知的联邦学习
  • 图神经网络
  • 跨方言的库尔德语自然语言处理
  • AI 智能体与模型上下文协议(MCP)

01研究

论文

  1. 面向联邦学习的隐私感知压缩:机制、方法与权衡的全面综述

    Privacy-Aware Compression for Federated Learning: A Comprehensive Survey of Mechanisms, Methods, and Trade-offs

    Samrand Hassan, Aras Aram, Ngin Ahmed

    International Journal of Latest Research in Engineering and Technology (IJLRET) 2025 期刊论文

    联邦学习(FL)通过避免传输原始数据,使分布式客户端能够在保护数据隐私的同时协同训练模型。然而,联邦学习系统需要在隐私保护、通信效率与模型精度这三个相互竞争的目标之间取得平衡,面临严峻挑战。本综述系统梳理了通过隐私感知压缩应对这些挑战的最新方法与机制。我们采用结构化检索方法,系统回顾了 2018–2025 年间发表于主要期刊与会议的 50 篇代表性论文,并将相关方法归纳为四大类:(1)数值机制设计方法(如最小方差无偏机制与插值 MVU…

  2. 依赖升级下 MovieLens 推荐流程中的静默排序变化

    Silent Ranking Changes Under Dependency Upgrades in MovieLens Recommender Pipelines

    Samrand M. Hassan

    2026 手稿 撰写中

    依赖库升级可能在系统照常运行的情况下改变推荐结果。我们在 201 个单线程 MovieLens 1M 案例上评估了 35 个升级过渡,涵盖 11 种包含浅层模型或预处理的流程配置。实验设计采用同环境对照、冻结模型推理、配对种子重训练以及单独锁定版本的评估器。201 个案例中,164 个检查点摘要完全一致,14 个检查点发生变化,16 个运行时失败,7 个不适用;其中 9 个案例的 top-10 列表发生改变。干预实验将这些变化归因于四种机制:完全相同分数的平局选择、OpenBLAS 内核选择、捆绑的 OpenBLAS 二进制文件,以及 log1p 输出的最后一位。所有完成的真实排序比较均满足预先声明的 NDCG@10…

  3. SQL+ML 查询优化技术:OpenMLDB 实时特征计算的性能分析

    Optimization Techniques for SQL+ML Queries: A Performance Analysis of Real-Time Feature Computation in OpenMLDB

    Mashkhal A. Sidiq, Aras A. Salih, Samrand M. Hassan

    International Journal of Database Management Systems (IJDMS) 2025 期刊论文

    本研究优化了 OpenMLDB 中 SQL+ML 查询的执行。OpenMLDB 是一个同时支持离线与在线特征计算的开源数据库。我们在 Docker 中使用合成数据复现生产环境的批处理与并发请求,系统达到约每秒 12,500 次查询、延迟低于 1 毫秒,约为 SparkSQL 和 ClickHouse 的 23 倍、PostgreSQL 和 MySQL 的 3.57 倍。查询计划优化、缓存与并行处理分别贡献了约 35%、25% 和 20% 的性能提升。结果适用于欺诈检测、推荐等对时延敏感的机器学习应用,并表明需要面向机器学习负载设计的 SQL 优化。

  4. 基于图像直方图与聚类技术的图像分割

    Image Segmentation Based on Image Histogram and Clustering Technique

    Samrand Mahmood Hassan

    2018 报告

    图像分割是许多图像分析与计算机视觉任务中的重要环节。尤其是在静态图像中高效、交互式地分割前景目标,对图像编辑具有重要的实用价值,长期以来一直是研究热点。传统的图像分割工具利用纹理、颜色或边缘(对比度)信息进行分割;可变形模型、Graph-cut 与 GrabCut 等是分割前景目标的代表性方法。目标分割方法已应用于场景表示与理解、基于内容的图像检索、视频目标跟踪以及医学应用等众多计算机视觉领域。本项目采用两种技术实现医学图像分割。第一种方法根据输入灰度图像直方图的峰值定义若干像素强度区间,得到一组表示这些区间的二值图像,再将其转换为 uint8 类型图像并合并,得到分割结果。第二种方法对同样的图像使用 K-means…

学术档案:ORCID 与 Google Scholar 收录相同的论文。加粗为本人姓名。

联系我

合作研究、学术报告,或一个棘手的工程难题——欢迎来信。