本文介绍了贝叶斯个性化联邦学习（BPFL），分析了不同聚合策略对模型性能的影响，并构建了关键超参数。新方法pFedBayes在个性化模型上表现优异，尤其在非独立同分布数据集上，相较于其他算法有显著提升。此外，研究探讨了贝叶斯联合学习算法及其在异构网络中的应用，展示了其处理客户数据异质性的优势。

该文综述多种贝叶斯个性化联邦学习方法：pFedBreD用Bregman散度约束建模异构数据；pFedGP用高斯过程与深层核学习共享核；BPFL量化客户内外不确定性；DFedAlt采用分散部分模型训练；PFA利用稀疏表示分组客户端；FedPop将个性化学习视为种群建模；分层贝叶斯变分推断捕捉公共趋势；pFedBayes以权重不确定性缓解过拟合；另有注入个性化先验及DyPFL考虑训练意愿差异的方法。