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。

本研究提出了一种新颖的个性化技术TPFL，通过分组模型提高准确性和降低通信成本，保护用户隐私。实验结果在MNIST、FashionMNIST和FEMNIST数据集上达到最高准确率。