Aggregative Games 中分布式 Nash 均衡寻求的双重隐私保障
最优化与控制
2026-05-27 v1
摘要
本文研究 aggregative 游戏中面向分布式的 Nash 均衡寻求的隐私保护问题。设计一种新型差分隐私机制，通过融合随机事件触发与随机量化，提供强隐私保护，既通过隐蔽信息在玩家之间交换的时间模式，又在触发时刻对传输信息进行量化。基于此机制，提出一种具备双重随机性的差分隐私分布式 Nash 均衡寻求算法。通过将衰减因子序列嵌入触发条件和玩家之间相互作用项中，证明该算法在每个迭代中均可实现严格的 差分隐私，同时保持可证明的收敛性。关键在于，在足够大的量化区间和足够小的触发阈值调节系数情况下，该隐私保证可在无限迭代中维持。此外，事件触发通信与量化之间的协同作用显著提升了通信效率。仿真结果验证了所提出方法的有效性。
引用
@article{arxiv.2605.26931,
title = {Dual Privacy Guarantees for Distributed Nash Equilibrium Seeking in Aggregative Games},
author = {Qingtan Meng and Qian Ma},
journal= {arXiv preprint arXiv:2605.26931},
year = {2026}
}