本研究提出可信个性化联邦学习（TPFL）框架，解决传统联邦学习的可靠性问题。TPFL利用主观逻辑评估不确定性，缓解数据异质性。实验显示，TPFL在高风险场景中表现优异，并在本地训练中具竞争力。

本文提出使用主观逻辑的理论来明确建模确定的预测不确定性和未知类别样本预测的忽略现象，并通过预测 Dirichlet 浓度参数来实现综合的主观意见。实验证明该方法在量化不确定性源和处理灵活识别方面有效。