P3SL：面向异构边缘设备的个性化隐私保护分部学习

分部学习（Split Learning, SL）是一种新兴的隐私保护机器学习技术，使资源受限的边缘设备能够通过将模型划分为客户端子模型和服务器子模型参与训练。尽管SL降低了边缘设备的计算负担，但在计算资源、通信能力、环境条件和隐私需求各异的异构环境下面临显著挑战。虽然近期研究探索了针对异构SL框架的分部点优化方案，但往往忽视了个性化隐私需求及在不同环境条件下进行的本地模型定制。为此，我们提出P3SL——面向异构、资源受限边缘设备系统的个性化隐私保护分部学习框架。本工作的核心贡献有二：其一，设计了个性化序列分部学习管道，使每个客户端可实现自定义隐私保护，并根据其计算资源、环境条件和隐私需求维持个性化本地模型；其二，采用双层优化技术，使客户端能在不向服务器共享私有敏感信息（即计算资源、环境条件、隐私需求）的情况下确定自身最优的个性化分部点。该方法在保持高模型精度的同时，平衡了能耗与隐私泄露风险。我们在包含4块Jetson Nano P3450、2块树莓派和1台笔记本的测试平台上进行了实现与评估，测试了多种模型架构和数据集，并在不同环境条件下进行验证。