.png){kind=icon}
返回
Distributed Double Accelerated Algorithm for Differentially Private Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/tcns.2026.3691792.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在差分隐私分布式优化中，一些研究主要利用衰减步长或交互减弱来逐步降低敏感度，以改善隐私与最优性之间的权衡。然而，这些方法通常以收敛速度为代价。常用的加速方法，如Nesterov梯度法和重球法，有助于快速收敛，但它们对历史信息的依赖给加速差分隐私算法的隐私分析带来了挑战。为解决此问题，提出了一种基于梯度跟踪和双重加速的差分隐私分布式优化算法（DP-GTDA），其中“双重”表示引入了分布式重球法和分布式Nesterov梯度法来加速收敛。借助4维矩阵的谱半径分析和尾概率估计，证明了在均值和几乎必然意义下，该算法能够实现加速线性收敛至最优解。由于信息聚合步骤的精心设计，DP-GTDA的隐私级别可基于有限时间范围内的差分隐私来确定。通过分布式传感问题的仿真验证了理论结果。
Keyword:
Acceleration
differential privacy
distributed optimization
linear convergence
期刊
IF:
5
论文数:
1.6K
被引数:
5.8K
机构
引用论文
暂无论文信息