Buchumschlag

From Challenges and Pitfalls to Recommendations and Opportunities: Implementing Federated Learning in Healthcare

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Ming, Xu, Pengcheng, Hu, Junjie, Tang, Zeyu, Yang, Guang
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Generative Synthetic Data for Causal Inference: Pitfalls, Remedies, and Opportunities
von: Xu, Yichen
Veröffentlicht: (2026)

Multimodal Federated Learning in Healthcare: a Review
von: Thrasher, Jacob, et al.
Veröffentlicht: (2023)

A Survey of Route Recommendations: Methods, Applications, and Opportunities
von: Zhang, Shiming, et al.
Veröffentlicht: (2024)

Learning Heterogeneous Performance-Fairness Trade-offs in Federated Learning
von: Ye, Rongguang, et al.
Veröffentlicht: (2025)

Graph Federated Learning for Personalized Privacy Recommendation
von: Na, Ce, et al.
Veröffentlicht: (2025)

Continual Learning on Graphs: Challenges, Solutions, and Opportunities
von: Zhang, Xikun, et al.
Veröffentlicht: (2024)

Federated Graph Learning for Cross-Domain Recommendation
von: Yang, Ziqi, et al.
Veröffentlicht: (2024)

Gradients as an Action: Towards Communication-Efficient Federated Recommender Systems via Adaptive Action Sharing
von: Lu, Zhufeng, et al.
Veröffentlicht: (2025)

Multi-Continental Healthcare Modelling Using Blockchain-Enabled Federated Learning
von: Sun, Rui, et al.
Veröffentlicht: (2024)

Evaluating Supervised Machine Learning Models: Principles, Pitfalls, and Metric Selection
von: Liu, Xuanyan, et al.
Veröffentlicht: (2026)

Advances and Open Challenges in Federated Foundation Models
von: Ren, Chao, et al.
Veröffentlicht: (2024)

On the Challenges and Opportunities in Generative AI
von: Manduchi, Laura, et al.
Veröffentlicht: (2024)

Position: Challenges and Opportunities for Differential Privacy in the U.S. Federal Government
von: Khanna, Amol, et al.
Veröffentlicht: (2024)

FHBench: Towards Efficient and Personalized Federated Learning for Multimodal Healthcare
von: Wang, Penghao, et al.
Veröffentlicht: (2025)

Privacy-Preserving Heterogeneous Federated Learning for Sensitive Healthcare Data
von: Xu, Yukai, et al.
Veröffentlicht: (2024)

Uncertainty Quantification of Deep Learning for Spatiotemporal Data: Challenges and Opportunities
von: He, Wenchong, et al.
Veröffentlicht: (2023)

GraphCare: Enhancing Healthcare Predictions with Personalized Knowledge Graphs
von: Jiang, Pengcheng, et al.
Veröffentlicht: (2023)

Towards Federated Domain Unlearning: Verification Methodologies and Challenges
von: Tam, Kahou, et al.
Veröffentlicht: (2024)

Low-Precision Training of Large Language Models: Methods, Challenges, and Opportunities
von: Hao, Zhiwei, et al.
Veröffentlicht: (2025)

DPCformer: An Interpretable Deep Learning Model for Genomic Prediction in Crops
von: Deng, Pengcheng, et al.
Veröffentlicht: (2025)

A Survey on Federated Unlearning: Challenges and Opportunities
von: Jeong, Hyejun, et al.
Veröffentlicht: (2024)

ASFL: An Adaptive Model Splitting and Resource Allocation Framework for Split Federated Learning
von: Meng, Chuiyang, et al.
Veröffentlicht: (2026)

Open Foundation Models in Healthcare: Challenges, Paradoxes, and Opportunities with GenAI Driven Personalized Prescription
von: Alkaeed, Mahdi, et al.
Veröffentlicht: (2025)

On the Impact of Data Heterogeneity in Federated Learning Environments with Application to Healthcare Networks
von: Milasheuski, Usevalad, et al.
Veröffentlicht: (2024)

A Simple Data Augmentation for Feature Distribution Skewed Federated Learning
von: Yan, Yunlu, et al.
Veröffentlicht: (2023)

Deep Learning Inference on Heterogeneous Mobile Processors: Potentials and Pitfalls
von: Liu, Sicong, et al.
Veröffentlicht: (2024)

Federated Learning for Big Data: A Survey on Opportunities, Applications, and Future Directions
von: Gadekallu, Thippa Reddy, et al.
Veröffentlicht: (2021)

The Pitfalls of KV Cache Compression
von: Chen, Alex, et al.
Veröffentlicht: (2025)

Federated Continual Learning: Concepts, Challenges, and Solutions
von: Hamedi, Parisa, et al.
Veröffentlicht: (2025)

Ten Challenging Problems in Federated Foundation Models
von: Fan, Tao, et al.
Veröffentlicht: (2025)

Reinforcement Learning for Generative AI: State of the Art, Opportunities and Open Research Challenges
von: Franceschelli, Giorgio, et al.
Veröffentlicht: (2023)

HealthMamba: An Uncertainty-aware Spatiotemporal Graph State Space Model for Effective and Reliable Healthcare Facility Visit Prediction
von: Yu, Dahai, et al.
Veröffentlicht: (2026)

The Age of Synthetic Realities: Challenges and Opportunities
von: Cardenuto, João Phillipe, et al.
Veröffentlicht: (2023)

Generative AI for Health Technology Assessment: Opportunities, Challenges, and Policy Considerations
von: Fleurence, Rachael, et al.
Veröffentlicht: (2024)

Federated Learning in Healthcare: Model Misconducts, Security, Challenges, Applications, and Future Research Directions -- A Systematic Review
von: Ali, Md Shahin, et al.
Veröffentlicht: (2024)

Generative AI in the Construction Industry: Opportunities & Challenges
von: Ghimire, Prashnna, et al.
Veröffentlicht: (2023)

Mind the Gap: A Framework for Assessing Pitfalls in Multimodal Active Learning
von: Eisenhardt, Dustin, et al.
Veröffentlicht: (2026)

HypKG: Hypergraph-based Knowledge Graph Contextualization for Precision Healthcare
von: Xie, Yuzhang, et al.
Veröffentlicht: (2025)

FedKDX: Federated Learning with Negative Knowledge Distillation for Enhanced Healthcare AI Systems
von: Pham, Quang-Tu, et al.
Veröffentlicht: (2026)

Gauge-Equivariant Intrinsic Neural Operators for Geometry-Consistent Learning of Elliptic PDE Maps
von: Cheng, Pengcheng
Veröffentlicht: (2026)