Bài báo này đề xuất P3SL, một khuôn khổ học phân đoạn bảo vệ quyền riêng tư được cá nhân hóa cho các thiết bị biên bị hạn chế về tài nguyên trong các môi trường không đồng nhất. Để giải quyết những khác biệt về tài nguyên, giao tiếp, điều kiện môi trường và yêu cầu về quyền riêng tư trong các môi trường không đồng nhất, vốn là một vấn đề phổ biến trong học phân đoạn (SL) truyền thống, chúng tôi thiết kế một đường ống học phân đoạn tuần tự được cá nhân hóa cho phép mỗi máy khách tùy chỉnh mức độ riêng tư và mô hình cục bộ của riêng mình. Hơn nữa, chúng tôi sử dụng kỹ thuật tối ưu hóa hai cấp để cho phép máy khách xác định điểm phân đoạn tối ưu mà không chia sẻ thông tin riêng tư của họ (tài nguyên tính toán, điều kiện môi trường và yêu cầu về quyền riêng tư) với máy chủ. Chúng tôi triển khai và đánh giá P3SL bằng cách sử dụng nhiều kiến trúc mô hình và tập dữ liệu khác nhau trong môi trường thử nghiệm bao gồm bốn Jetson Nano P3450, hai Raspberry Pi và một máy tính xách tay. Chúng tôi đặt mục tiêu đạt được độ chính xác cao của mô hình trong khi vẫn duy trì sự cân bằng giữa mức tiêu thụ năng lượng và rủi ro rò rỉ quyền riêng tư.
