Ця стаття вирішує проблеми масштабованості в персоналізованому федеративному навчанні (PFL) для гетерогенних розподілів даних, переформулюючи PFL як проблему оптимізації "мало для багатьох". Вона підтримує невелику кількість спільних серверних моделей (K << M клієнтів), щоб колективно обслуговувати всіх клієнтів, а не M окремих моделей. Запропонований алгоритм, FedFew, автоматично знаходить оптимальну різноманітність моделей за допомогою ефективних градієнтно-орієнтованих оновлень, досягаючи майже оптимальної персоналізації та перевершуючи найсучасніші підходи лише з 3 моделями на наборах даних візуалізації, NLP та медичних зображень.