Date of publication XXXX 00, 0000, date of current version XXXX 00, 0000

Figure 3. FL Flower framework workflow
There are several key parameters in federated learning that 
can impact the performance and convergence of the model. 
For example, the learning rate determines the size of the step 
taken in the direction of the negative gradient during model 
parameter updates. A high learning rate can result in 

---

Ruzaliev R: 
Federated Learning for Clinical Event Classification Using Vital 
Signs Data 
2 
VOLUME XX, 2023 
overshooting the optimal solution, while a low learning rate 
can result in slow convergence. The number of 
communication rounds determines how many times the model 
parameters are updated and aggregated between the 
participants and the central server. More communication 
rounds can result in better convergence, but also increase the 
communication overhead. The local batch size also determines 
the number of examples used by each participant to calculate 
the gradients for its local model. The next is regularization, a 
technique used to prevent overfitting by adding a penalty term 
to the loss function. This can help improve the generalization 
performance of the model, especially when dealing with small 
amounts of data. The distribution of data across the 
participants can impact the performance and convergence of 
the model. A skewed distribution, where one participant has 
significantly more data than others, can result in suboptimal 
convergence. The last parameter of federated learning is the 
heterogeneity of the data across the participants can impact the 
convergence and generalization performance of the model. 
This includes differences in the distribution, quality, and label 
balance of the data.
 
IV.
Experimental Results. 
We used our Gachon University Laboratory as the 
environment for performance metrics in machine learning and 
federated learning for clinic event classification tasks with the 
following environment: 3090 RTX GPU, 64 GB RAM, core-
i9 4.5Ghz, python, Cuda. The choice of model parameters can 
also impact the performance of the machine learning model. 
For example, the number of trees in a random forest model or 
the regularization parameter in a logistic regression model can 
affect the model's performance. Also, the choice of evaluation 
metrics is also an important part of the environment. Different 
metrics may be more appropriate for different types of 
problems and data. There are several ways to compare 
machine learning models, such as performance metrics one of 
the most common ways to compare machine learning models 
is to evaluate their performance using relevant metrics such as 
accuracy, precision, recall, and F1-score. These metrics 
provide a quantitative assessment of the model's ability to 
solve a specific problem. Accuracy is the proportion of correct 
predictions made by the model. Precision (1) is the proportion 
of true positive predictions made by the model among all 
positive predictions. Recall (2) (Sensitivity) is the proportion 
of true positive predictions made by the model among all 
actual positive cases. Eventually, F1-Score (3) is the harmonic 
mean of precision and re-call. Overall, it is important to 
consider a combination of these factors when comparing 
machine learning models to determine which model is best 
suited for a specific problem. 
𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 =
𝑻𝑷
𝐓𝐏 + 𝐅𝐏
(𝟏)