.png){kind=icon}
返回
Differentially private dual gradient tracking for distributed resource allocation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.automatica.2025.112521.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了有向网络中分布式资源分配的隐私问题，其中每个代理持有私有成本函数，并通过与其他代理的局部交互优化其决策，以适应全局耦合约束。有向网络中资源分配的传统方法要求所有代理向邻居传输原始数据，这存在泄露敏感和私有信息的风险。为解决此问题，我们提出了一种名为差分隐私双梯度跟踪（DP-DGT）的分布式资源分配算法，该算法使用独立的拉普拉斯噪声混淆交换的消息。我们的算法确保代理的决策几乎必然收敛到最优解的邻域。此外，在不假设梯度有界的情况下，我们证明了在所提算法下累积的差分隐私损失是有限的，即使迭代次数趋于无穷大也是如此。据我们所知，我们首次在有向网络中的分布式资源分配问题中同时实现了这两个目标。最后，在IEEE 14-bus系统中的经济调度问题上的数值仿真验证了我们所提算法的有效性。
Keyword:
distributed resource allocation
differential privacy
directed networks
dual gradient tracking
economic dispatch
期刊
IF:
5.9
论文数:
1.2W
被引数:
5.2W
机构
引用论文
分享收藏
The Future Renewable Electric Energy Delivery and Management (FREEDM) System: The Energy Internet.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏A Differentially Private Method for Distributed Optimization in Directed Networks via State Decomposition通过状态分解在定向网络中进行分布式优化的差分私有方法
PREAI
分享收藏Privacy Protection Decentralized Economic Dispatch Over Directed Networks With Accurate Convergence
PREAI
分享收藏Robust Constrained Consensus and Inequality-Constrained Distributed Optimization With Guaranteed Differential Privacy and Accurate Convergence具有保证差分隐私和精确收敛的鲁棒约束一致性和不等式约束分布式优化
OAAI
OAAI分享收藏
查看更多内容