کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4999781 1460634 2017 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Differentially private average consensus: Obstructions, trade-offs, and optimal algorithm design
ترجمه فارسی عنوان
به طور متمایزی در خصوص اجماع به طور متوسط ​​خصوصی: مانع، مناقشات، و طراحی الگوریتم بهینه
کلمات کلیدی
میانگین توافق، حریم خصوصی دیفرانسیل سیستم های چندگانه، نرخ همگرایی میانگین-مربعی نمونه، سیستم های کنترل شبکه،
ترجمه چکیده
در این مقاله، مسئله انضباط به طور متوسط ​​چند عامل مطابق با الزام حریم خصوصی متفاوتی از مقررات اولیه عامل ها علیه یک دشمن که دسترسی به تمام پیام ها دارد، مورد بررسی قرار می گیرد. ابتدا ایجاد می کنیم که یک الگوریتم توافق شخصی متفاوت می تواند نتواند همگرایی دولت های عامل را با میانگین دقیق توزیع تضمین کند، که در نتیجه این امکان را برای دیگر مفاهیم قوی تر همگرایی فراهم می کند. این نتیجه، طراحی ما را از یک الگوریتم توافق نامه لاپلاسایی متفاوت خصوصی جدیدی که در آن عوامل به صورت خطی توابع حالت انتقال و توابع پیغام را با نویز لاپلاس ناشناخته تضعیف می کنند، را انگیزه می دهد. ما ثابت می کنیم که الگوریتم ما تقریبا مطمئنا به یک برآورد بی طرفانه از میانگین حالت اولیه اولیه عامل ها، محاسبه نرخ متوسط ​​معادلات همگرایی و رسمیت شناختن خصوصیات خصوصیات دیفرانسیل حریم خصوصی آن می پردازد. ما نشان می دهیم که انتخاب مطلوب پارامترهای طراحی ما (با توجه به واریانس نقطه همگرایی در اطراف میانگین دقیق) مربوط به یک اختلال شات از شرایط اولیه و مقایسه طراحی ما با همتایان مختلف از ادبیات است. شبیه سازی نتایج ما را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
چکیده انگلیسی
This paper studies the multi-agent average consensus problem under the requirement of differential privacy of the agents' initial states against an adversary that has access to all the messages. We first establish that a differentially private consensus algorithm cannot guarantee convergence of the agents' states to the exact average in distribution, which in turn implies the same impossibility for other stronger notions of convergence. This result motivates our design of a novel differentially private Laplacian consensus algorithm in which agents linearly perturb their state-transition and message-generating functions with exponentially decaying Laplace noise. We prove that our algorithm converges almost surely to an unbiased estimate of the average of agents' initial states, compute the exponential mean-square rate of convergence, and formally characterize its differential privacy properties. We show that the optimal choice of our design parameters (with respect to the variance of the convergence point around the exact average) corresponds to a one-shot perturbation of initial states and compare our design with various counterparts from the literature. Simulations illustrate our results.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Automatica - Volume 81, July 2017, Pages 221-231
نویسندگان
, , ,