有向图上纳什均衡求解中可证明收敛与差分隐私的双重保障
计算机科学与博弈论
2023-04-11 v2 系统与控制
系统与控制
最优化与控制
摘要
本文研究全分布式纳什均衡求解中的隐私保护问题，其中玩家只能通过有向通信网络访问自身代价函数并接收直接邻居的信息。鉴于底层决策过程的非合作性质，当涉及敏感信息时，保护网络博弈中个体玩家的隐私至关重要。我们提出一种方法，能在分布式纳什均衡求解中同时实现精确收敛与有限累积隐私预算下的严格差分隐私，这与现有网络博弈的差分隐私方案不得不以收敛精度换取差分隐私形成鲜明对比。该方法即使通信图不平衡时也适用，且不需要个体玩家掌握通信图的任何全局结构信息。由于该方法利用独立噪声进行隐私保护，其可抵御能访问网络中全部共享消息的对手。它还是无加密的，确保了通信与计算的高效性。与现有方法的数值对比结果证实了所提方法的有效性。
引用
@article{arxiv.2209.04938,
title = {Ensuring both Provable Convergence and Differential Privacy in Nash Equilibrium Seeking on Directed Graphs},
author = {Yongqiang Wang and Tamer Basar},
journal= {arXiv preprint arXiv:2209.04938},
year = {2023}
}