フェデレーテッドラーニング（FL）は分散データを用いた共同学習を可能にしますが、双方向通信の過負荷やクライアント側のデータの異質性といった課題に直面しています。本論文では、通信コストを軽減しつつデータの異質性に対応する新たなパーソナライズドフェデレーテッドラーニングフレームワーク「pFed1BS」を提案します。このフレームワークでは、クライアントが一ビットの圧縮スケッチを送信し、サーバーがグローバルなコンセンサスを集約・放送します。また、効果的なパーソナライズのために、ローカルモデルがグローバルコンセンサスと整合するように導くサインベースの正則化手法を導入しています。計算負荷を軽減するために、効率的な投影手法としてファースト・ハダマード変換を使用しています。理論的分析により、本アルゴリズムがグローバルポテンシャル関数の定常近傍に収束することが保証されています。数値シミュレーションの結果、pFed1BSは通信コストを大幅に削減し、通信効率に優れたFLアルゴリズムに匹敵するパフォーマンスを達成できることが示されています。