本研究では、多パルス磁気共鳴画像（MRI）の分類のために、通信効率が高い個別化フェデレーティッド学習手法「CEPerFed」を提案します。多パルスMRIはアルツハイマー病の診断などの臨床で広く利用されていますが、各医療機関から大規模かつ多様なデータが必要でありつつ、プライバシーを保護するためには生データの共有を防ぐ必要があります。フェデレーティッド学習（FL）はこの問題を解決する手段として有望ですが、データの不均一性や膨大な通信オーバーヘッドによりモデルの収束に課題があります。CEPerFedは、クライアント側の過去のリスク勾配と平均勾配を取り入れ、局所的と全体的な最適化との調整を行うことで、データの不均一性の影響を軽減します。また、階層型特異値分解（HSVD）手法により、モデル更新に最も重要な情報だけを伝送することで通信オーバーヘッドを削減しています。実験結果は、CEPerFedの有効性を示しています。