.png){kind=icon}
返回
Differentially private and communication-efficient distributed nonconvex optimization algorithms
.png){kind=icon}
PRE
AI
DOI：10.1016/j.automatica.2025.112338.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了在有限通信下保护隐私的分布式优化问题，其中每个代理旨在保持其成本函数隐私的同时最小化所有代理成本函数的总和。为此，我们提出了两种基于压缩通信的差分隐私分布式算法。我们证明了所提出的算法对于光滑（可能是非凸的）成本函数可实现次线性收敛，当全局成本函数额外满足Polyak-& Lstrok;ojasiewicz条件时，可实现线性收敛，即使对于具有有界相对压缩误差的一般压缩器类也是如此。此外，我们严格证明了所提出的算法确保& varepsilon;-差分隐私。与文献中的方法不同，所提出算法的隐私分析不依赖于压缩器的具体形式。模拟结果表明了我们所提出方法的有效性。(c) 2025 Published by Elsevier Ltd.
Keyword:
Distributed nonconvex optimization
Linear convergence
Compression communication
Differential privacy
期刊
IF:
5.9
论文数:
1.2W
被引数:
5.2W
机构
引用论文
Compressed Differentially Private Distributed Optimization with Linear Convergence压缩差分隐私分布式优化与线性收敛
OAAI
OAAI分享收藏分享收藏A system-theoretic framework for privacy preservation in continuous-time multiagent dynamics.png)
AUTOMATICAOAAI
AUTOMATICAIF5.9
OAAI分享收藏
查看更多内容