التعلم المُتَّفَقَ (FL، باختصار) هو تقنية تعلم آلي موزعة تستخدم خوادم عالمية وعملاء متعاونين لتحقيق تدريب نموذج عالمي يحافظ على الخصوصية دون مشاركة البيانات مباشرة. ومع ذلك، يُعدّ مشكلة البيانات غير المتجانسة، واحدة من المشكلات الرئيسية في FL، سببًا في صعوبة أداء النموذج العالمي بشكل فعّال على البيانات المحلية لكل عميل. ولهذا السبب، يهدف التعلم المُتَّفَق الشخصي (PFL، باختصار) إلى تحسين أداء النموذج على البيانات المحلية قدر الإمكان. وتعتبر التعلّم بايزي (Bayesian learning)، حيث تُنظر إلى معاملات النموذج على أنها متغيرات عشوائية ذات افتراض أولي، حلاً عمليًا لمشكلة البيانات غير المتجانسة، نظرًا لاتجاه النموذج إلى التركيز أكثر على البيانات المحلية كلما زادت كمية البيانات المحلية المستخدمة، والعكس صحيح عندما تكون البيانات المحلية قليلة، فيركز على الافتراض الأولي. عند تطبيق التعلّم بايزي على PFL، يُوفّر النموذج العالمي المعرفة العالمية كافتراض أولي لعملية التدريب المحلية. في هذا البحث، نستخدم التعلّم بايزي لتمثيل PFL بافتراض افتراض أولي ضمن العائلة الأسية المُمَدودة، ونُقدّم إطارًا يُسمّى pFedBreD لحل المشكلة التي تمّ تمثيلها باستخدام تنظيم التباعد بريجمان (Bregman divergence regularization). من الناحية التجريبية، تُظهر تجاربنا أن افتراض الافتراض الأولي الكروي الغاوسي واستراتيجية الترتيب الأول لاختيار المتوسط تؤدي إلى تفوق كبير لاقتراحنا على خوارزميات PFL الأخرى في عدة معايير عامة مفتوحة.