Este artículo propone P3SL, un marco de aprendizaje de segmentación personalizado que preserva la privacidad para dispositivos periféricos con recursos limitados en entornos heterogéneos. Para abordar las diferencias en recursos, comunicación, condiciones ambientales y requisitos de privacidad en entornos heterogéneos, lo cual constituye una limitación del aprendizaje de segmentación (SL) existente, diseñamos una secuencia de aprendizaje de segmentación secuencial personalizada que permite a cada cliente personalizar su propio nivel de privacidad y modelo local. Además, utilizamos una técnica de optimización de dos niveles para que los clientes determinen el punto de segmentación óptimo sin compartir su información privada (recursos computacionales, condiciones ambientales y requisitos de privacidad) con el servidor. Implementamos y evaluamos P3SL utilizando diversas arquitecturas de modelos y conjuntos de datos en un entorno de prueba compuesto por cuatro Jetson Nano P3450, dos Raspberry Pi y una computadora portátil. Nuestro objetivo es lograr una alta precisión del modelo, manteniendo al mismo tiempo un equilibrio entre el consumo de energía y el riesgo de fuga de privacidad.
