Der Artikel untersucht Datenschutzprobleme bei der verteilten Ressourcenzuteilung in gerichteten Netzwerken, bei denen jeder Agent eine private Kostenfunktion besitzt und seine Entscheidung unter Berücksichtigung einer globalen Kopplungsbedingung durch lokale Interaktion mit anderen Agenten optimiert. Herkömmliche Methoden für die Ressourcenzuteilung in gerichteten Netzwerken erfordern, dass alle Agenten ihre Originaldaten an Nachbarn übertragen, was das Risiko der Offenlegung sensibler und privater Informationen birgt.
Um dieses Problem anzugehen, schlagen die Autoren einen Algorithmus namens "differentiell privater dualer Gradientenverfolgung" (DP-DGT) vor, der die ausgetauschten Nachrichten mit unabhängigem Laplace-Rauschen verschleiert. Der Algorithmus stellt sicher, dass die Entscheidungen der Agenten fast sicher in eine Nachbarschaft der optimalen Lösung konvergieren. Darüber hinaus beweisen die Autoren, dass der kumulative Datenschutzverlust unter dem vorgeschlagenen Algorithmus endlich ist, auch wenn die Anzahl der Iterationen gegen unendlich geht, ohne die Annahme beschränkter Gradienten.
Schließlich veranschaulichen numerische Simulationen zu Wirtschaftsverteilungsproblemen innerhalb des IEEE 14-Bus-Systems die Effektivität des vorgeschlagenen Algorithmus.
Till ett annat språk
från källinnehåll
arxiv.org
Djupare frågor