Privacy-Preserving Average Consensus: Fundamental Analysis and a Generic Framework Design
Notice bibliographique
Résumé
Average consensus is a key component of multi-agent systems coordination, while data privacy becomes a serious concern. Through the information exchange process, the initial state of an agent may be disclosed to its neighbors. The existing privacy-preserving research mainly addressed the situation of single-neighbor eavesdropping and infinite-time consensus, and they cannot deal with the cases of multi-neighbors eavesdropping and collusion inference attack or ensuring finite-time consensus. In this paper, we prove that it is impossible to preserve a node’s data privacy if all of its neighbors collusively infer the data. Otherwise, we propose a privacy-preserving framework to support conventional average consensus, push-sum consensus, and finite-time average consensus, which integrates multiplying random variables, finite-time error compensation, and updating rule jump. In this paper, each agent exchanges data with its neighbors by multiplying a random variable to its real-time state at each iteration. To eliminate errors caused by the random multiplier, a finite-time error compensation term and updating rule jump are designed, which ensure the accuracy of consensus. We prove that the proposed framework can converge and preserve privacy facing collusion inference attacks in both finite-time and infinite-time consensus, while traditional adding-noise-based methods cannot solve the finite-time case. We also derive the analytical expressions of the maximum privacy disclosure probability for the initial state of each agent, and present the impact of multiplying random variables. Extensive case studies demonstrate the effectiveness of the proposed framework.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».