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。

本研究提出了一种基于置信度聚类的个性化Tsetlin联邦学习方法TPFL，旨在提高模型准确性并保护用户隐私。TPFL通过对特定类别的置信度进行分组，降低了通信成本，并在MNIST、FashionMNIST和FEMNIST数据集上取得了最佳准确率。