基于点积最大泄漏的聚合游戏纳什均衡计算隐私保障
计算机科学与博弈论
2025-10-27 v1 信息论
math.IT
摘要
隐私保护已作为设计纳什均衡(NE)计算算法的关键指标。尽管差分隐私(DP)在隐私保证方面被广泛采用，但其未能利用数据集的先验分布知识，且在评估相关数据集的信息泄漏时效果不佳。为此，我们在计算聚合游戏中的NE时建立了点积最大泄漏(PML)框架。通过纳入玩家成本函数数据集的先验知识，我们获得了以PML为保证的隐私泄漏精确可计算上界。在整体层面，我们表明PML通过提供更紧密的隐私保证，使设计NE计算的灵活性得到提升。此外，在个体层面，我们通过构建特定的相关数据集揭示，PML的下界可超过DP的上界。这些结果强调，PML是比DP更恰当的隐私度量，因为后者未能充分捕捉相关数据集中的隐私泄漏。此外，我们conduct实验，模拟尝试推断玩家私人信息的对手，以说明该框架的有效性。
引用
@article{arxiv.2510.21668,
title = {Privacy Guarantee for Nash Equilibrium Computation of Aggregative Games Based on Pointwise Maximal Leakage},
author = {Zhaoyang Cheng and Guanpu Chen and Tobias J. Oechtering and Mikael Skoglund},
journal= {arXiv preprint arXiv:2510.21668},
year = {2025}
}