.png){kind=icon}
返回
Dynamics-based algorithm-level privacy preservation for push-sum average consensus
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115812.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在多智能体系统的复杂交互中，实现平均一致性不仅至关重要，更是其功能的核心支撑。在传统的平均一致性算法中，所有智能体通过个体计算并与各自邻居共享信息达成一致。然而，通信网络中发生的信息交互可能泄露敏感信息。本文提出了一种针对非平衡有向网络的隐私保护平均一致性方法。具体而言，我们通过在混合权重中精心嵌入随机性以混淆通信，并引入额外的辅助参数来掩盖状态更新规则在若干初始迭代中的信息，从而确保隐私保护。同时，我们利用一致性动态的内在鲁棒性来保证精确实现平均一致性。理论结果表明，所设计的算法能够线性收敛至精确的平均一致性值，并能抵御诚实但好奇型及窃听攻击，保护智能体的隐私。与通过牺牲一致性性能以实现隐私保护的差分隐私基算法相比，所设计的算法在本质上有显著区别。最后，数值实验验证了理论发现的正确性。
Keyword:
Average Consensus
Privacy Preservation
Multi-Agent Systems
Push-Sum Algorithm
Robust Consensus Dynamics
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
分享收藏
How to get consensus with neighbors?: Rating standardization for accurate collaborative filtering
PREAI
分享收藏Multi-dimensional multi-round minimum cost consensus models with iterative mechanisms involving reward and punishment measures包含奖惩措施的迭代机制的多维多轮最小成本共识模型
PREAI
分享收藏
查看更多内容