.png){kind=icon}
返回
Privacy-Preserving Quantized Average Consensus: A General State Decomposition Method
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSE.2025.3619940.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了多智能体系统中的隐私保护量化平均一致性问题。即，希望设计一种分布式一致性算法，使每个节点能够在量化通信下计算所有数据的平均值，同时保护每个节点数据的隐私。该算法在分布式计算、数据挖掘和区块链等多个领域具有重要作用。为达成此目标，提出了一种更通用的状态分解方法，并将其整合到动态编码器-解码器量化方案中，以保证隐私保护的精确一致性。在此新的分解机制中，每个节点生成的虚拟节点数量具有灵活性，不由网络拓扑决定，而是可根据自身需求和资源进行分解，从而提供了更大的设计自由度。此外，严格证明了所提出的隐私保护量化平均一致性算法能够实现精确收敛，并针对好奇节点和外部窃听者均能实现隐私保护。通过对比分析展示了所提方法的优势及所得结果。最后，数值仿真直观验证了主要理论结果的正确性和有效性。
Keyword:
Privacy preservation
quantized average consensus
dynamic encoding/decoding scheme
state decomposition
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
机构
引用论文
Non-oscillating quantized average consensus over dynamic directed topologies动态有向拓扑上的非振荡量化平均一致性.png)
AUTOMATICA
OAAI
AUTOMATICAIF5.9
OAAI分享收藏Distributed Quantized Consensus With Recursive Channel Filters Over Directed Networks有向网络上递归信道滤波器的分布式量化一致性
PREAI
分享收藏分享收藏
分享收藏Quantized Consensus by the ADMM: Probabilistic Versus Deterministic QuantizersADMM的量化共识: 概率量化器与确定性量化器OAAI
OAAI分享收藏
查看更多内容