Ein differentiell privater verteilter stochastischer Optimierungsalgorithmus mit zeitlich variierenden Stichprobengrößen wird vorgestellt, der sowohl die Konvergenz des Algorithmus als auch die differenzielle Privatsphäre mit einem endlichen kumulativen Datenschutzbudget ε für eine unendliche Anzahl von Iterationen gleichzeitig gewährleistet.
Ein differentiell privater verteilter stochastischer Optimierungsalgorithmus mit zeitlich variierenden Stichprobengrößen wird vorgestellt, der sowohl die Konvergenz des Algorithmus als auch die differenzielle Privatsphäre mit einem endlichen kumulativen Datenschutzbudget ε für eine unendliche Anzahl von Iterationen gleichzeitig gewährleistet.