面向分布式非凸优化的双隐私保护与精确收敛
最优化与控制
2025-11-05 v1
摘要
受当前分布式非凸优化方法在隐私保护方面不足的启发，本文提出一种分布式proximal primal-dual算法，实现对非净函数求和形式的多智能体网络优化的双重隐私保护（DPP^2），确保在智能体间通信期间对关键局部信息实现零泄露。我们发展了两种层次的隐私保护机制：首先通过变量变换将原始变量和对偶变量合并，其次嵌入额外随机扰动以进一步混淆传输信息。我们理论上证明，DPP^2在非凸情形下确保局部目标函数的差分隐私，同时实现精确收敛。具体而言，DPP^2在非凸情形下趋于平稳点的收敛次线性；在额外的Polyak-Łojasiewicz(P-Ł)条件下，收敛速率为线性。最后，一个数值示例展示了DPP^2优于多种最新算法的优势，展示了DPP^2在相同差分隐私水平下实现的更快、精确收敛。
引用
@article{arxiv.2511.02283,
title = {Distributed Nonconvex Optimization with Double Privacy Protection and Exact Convergence},
author = {Zichong Ou and Dandan Wang and Zixuan Liu and Jie Lu},
journal= {arXiv preprint arXiv:2511.02283},
year = {2025}
}
备注
33 pages, 3 figures