본 논문은 프라이버시 보호, 통신 효율성 및 수렴성을 동시에 달성할 수 있는 새로운 분산 비볼록 확률적 최적화 알고리즘을 제안한다. 각 노드는 시간 변화하는 프라이버시 노이즈를 자신의 로컬 상태에 추가하고 이를 양자화하여 전송함으로써 정보 유출을 방지하고 통신 효율을 높인다. 또한 샘플링 크기 매개변수를 통해 제어되는 하위 샘플링 방법을 사용하여 프라이버시 노이즈의 영향을 줄이고 차등 프라이버시 수준을 향상시킨다.
본 연구는 비잔틴 공격에 강인한 분산 최적화 알고리즘의 기하학적 수렴성을 분석하고 있다. 제안된 알고리즘 프레임워크인 REDGRAF는 기존 알고리즘들을 포함하며, 정규 에이전트의 상태가 최적해 근처로 기하급수적으로 수렴함을 보여준다. 또한 근사 합의 달성을 위한 충분조건을 제시한다.
중앙 서버가 전체 사용자 집단의 보상을 최대화하기 위해 부분적인 분산 피드백을 활용하여 학습하는 문제를 다룬다. 이를 위해 차별적 프라이버시 보장 하에서 분산 선형 밴딧 알고리즘을 제안한다.