협력 학습 (Collaborative learning)은 각 참여자에게 이익이 될 때만 지속 가능합니다. 표준 연합 학습 (Federated learning)은 전역 평균 목적 함수 (Global average objective)를 최적화하는데, 이는 데이터 분포가 전체 모집단과 실질적으로 다른 클라이언트들에게는 성능이 저하될 수 있습니다. 본 연구에서는 이기적 개인화 (Selfish personalization)를 연구합니다. 즉, 지정된 타겟 클라이언트가 부정적 전이 (Negative transfer)를 피하면서 어떻게 피어 그래디언트 (Peer gradients)를 사용하여 자신의 리스크를 최소화할 수 있는지를 다룹니다. 우리는 타겟 클라이언트의 수렴 오차 (Convergence error) 상한선을 최소화함으로써 집계 가중치 (Aggregation weights)를 선택하는 수렴 인지형 클라이언트 가중치 부여 프레임워크인 SP-CACW를 제안합니다. 결과적으로 도출된 규칙은 피어 편향 (Peer bias)과 확률적 분산 (Stochastic variance) 사이의 트레이드오프 (Trade-off)를 명시적으로 수행하며, 해로운 피어에게는 0의 가중치를 할당할 수 있습니다. 우리는 매끄러움 (Smoothness) 및 유계 분산 (Bounded-variance) 가정 하에서 수렴 보장 (Convergence guarantees)을 제공하며, MNIST, CIFAR-100, LEAF Shakespeare에서 해당 방법을 평가합니다. 실험 결과, 본 방법은 강력한 개인화 및 클러스터링 베이스라인 (Clustering baselines)과 경쟁하거나 이를 능가하는 성능을 보였습니다.