.png){kind=icon}
返回
Privacy-Enhanced Distributed Event-Triggered Algorithm for Constrained Optimization with Shared Constraints
.png){kind=icon}
PRE
AI
DOI：10.1109/tac.2026.3731925.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了具有共享不等式和等式约束的隐私关注分布式优化问题，其中每个代理仅能访问其本地成本和约束函数。为应对隐私问题，我们在交换的状态变量中注入噪声以对抗潜在攻击者。我们提出了一种事件触发的差分隐私分布式算法，该算法能够确保在无限迭代下实现精确收敛和严格的ε-差分隐私。我们验证了事件触发机制在隐私保护中的有效性，并从数学上证明其能够减少隐私预算，从而提升隐私水平。此外，所提出的算法不需要本地成本函数的强凸性或其梯度的有界性。我们还提出了一种统一的解析方法，能够在固定步长和衰减步长下证明收敛性和隐私属性，并对收敛精度与隐私水平之间的权衡关系进行了理论分析。最后，通过数值仿真评估了所提出算法的性能。
Keyword:
Distributed optimization
Differential privacy
Shared inequality constraints
Event-triggered mechanism
期刊
IF:
7
论文数:
1.3W
被引数:
6.7W
机构
引用论文
暂无论文信息