यह शोधपत्र P3SL का प्रस्ताव करता है, जो विषम परिवेशों में संसाधन-सीमित एज उपकरणों के लिए एक व्यक्तिगत गोपनीयता-संरक्षण सेगमेंटेशन लर्निंग ढाँचा है। विषम परिवेशों में संसाधनों, संचार, पर्यावरणीय स्थितियों और गोपनीयता आवश्यकताओं में अंतर को दूर करने के लिए, जो पारंपरिक सेगमेंटेशन लर्निंग (SL) की एक आम समस्या है, हमने एक व्यक्तिगत अनुक्रमिक सेगमेंटेशन लर्निंग पाइपलाइन डिज़ाइन की है जो प्रत्येक क्लाइंट को अपनी गोपनीयता स्तर और स्थानीय मॉडल को अनुकूलित करने की अनुमति देती है। इसके अलावा, हम क्लाइंट को अपनी निजी जानकारी (कम्प्यूटेशनल संसाधन, पर्यावरणीय स्थितियाँ और गोपनीयता आवश्यकताएँ) सर्वर के साथ साझा किए बिना इष्टतम सेगमेंटेशन बिंदु निर्धारित करने में सक्षम बनाने के लिए एक द्वि-स्तरीय अनुकूलन तकनीक का उपयोग करते हैं। हम चार जेटसन नैनो P3450, दो रास्पबेरी पाई और एक लैपटॉप वाले परीक्षण परिवेश में विभिन्न मॉडल आर्किटेक्चर और डेटासेट का उपयोग करके P3SL को लागू और मूल्यांकन करते हैं। हमारा लक्ष्य ऊर्जा खपत और गोपनीयता रिसाव जोखिम के बीच संतुलन बनाए रखते हुए उच्च मॉडल सटीकता प्राप्त करना है।
