Cet article propose P3SL, un framework d'apprentissage par segmentation personnalisé préservant la confidentialité pour les périphériques périphériques à ressources limitées dans des environnements hétérogènes. Afin de prendre en compte les différences de ressources, de communication, de conditions environnementales et d'exigences de confidentialité dans les environnements hétérogènes, qui constituent une limitation de l'apprentissage par segmentation (SL) existant, nous concevons un pipeline d'apprentissage par segmentation séquentielle personnalisé permettant à chaque client de personnaliser son propre niveau de confidentialité et son modèle local. De plus, nous utilisons une technique d'optimisation à deux niveaux pour permettre aux clients de déterminer le point de segmentation optimal sans partager leurs informations privées (ressources de calcul, conditions environnementales et exigences de confidentialité) avec le serveur. Nous implémentons et évaluons P3SL à l'aide de différentes architectures de modèles et jeux de données dans un environnement de test composé de quatre Jetson Nano P3450, de deux Raspberry Pi et d'un ordinateur portable. Notre objectif est d'obtenir une grande précision du modèle tout en maintenant un équilibre entre consommation d'énergie et risque de fuite de confidentialité.
