能源系统中差分隐私优化的双层优化方法

本文研究如何将差分隐私应用于输入数据敏感的约束优化问题。该任务带来了重大挑战，因为对输入数据的随机扰动常常使约束优化问题不可行，或显著改变其最优解的性质。为应对这一困难，本文提出一种可用作后处理步骤的双层优化模型：它在恢复可行性与近最优性的同时，最优地重新分配由差分隐私机制引入的噪声。本文表明，在一个自然假设下，该双层模型可针对具有敏感客户数据的真实大规模非线性非凸优化问题高效求解。实验结果证明了该隐私保护机制的准确性，并展示了相较于标准方法的显著优势。