PPDOG分布式优化算法

隐私保护不损收敛

通过安全多方计算生成零和扰动噪声，在保护隐私的同时保持收敛，且轻量易部署，优于现有加密或加噪方法。

Dan, Yu · 史秀纺 · Lin, Yangfei · Wu, Celimuge · 陈积明

IEEE Transactions on Network Science and Engineering 2025

技术优势

隐私不靠加密硬扛

利用安全多方计算仅在初始阶段生成零和扰动，后续迭代中扰动自然抵消，避免反复加解密的计算开销。

收敛性不打折

扰动被设计为在迭代中相互抵消，最终结果与无隐私机制的分布式优化一致，因此不牺牲收敛性能。

计算效率更高

相较于传统加密方法的高计算复杂度，PPDOG仅增加递归更新扰动的轻量操作，计算负担显著更低。

应用场景

• 联邦学习：在联邦学习聚合梯度时加入零和扰动，防止节点数据被反推，同时保证全局模型收敛。
• 多智能体协同控制：在多智能体协同控制中保护各智能体状态信息，避免泄露敏感轨迹或目标，同时保持控制性能。
• 隐私保护机器学习：为分布式机器学习提供轻量隐私保护方案，替代同态加密等高开销机制，适合资源受限场景。
• 边缘计算：在边缘节点间交换模型或梯度时加入零和扰动，避免敏感数据外泄，计算开销小适合边缘设备。