論文の概要: Multi-Agent Distributed Optimization With Feasible Set Privacy
- arxiv url: http://arxiv.org/abs/2510.05068v1
- Date: Mon, 06 Oct 2025 17:45:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:53:00.027938
- Title: Multi-Agent Distributed Optimization With Feasible Set Privacy
- Title（参考訳）: 集合プライバシーが実現可能なマルチエージェント分散最適化
- Authors: Shreya Meel, Sennur Ulukus,
- Abstract要約: 我々は、名目情報漏洩時に設定された解を得るための達成可能なスキームを開発する。
リーダが既存のプライベートセット交差点(PSI)プロトコルを通じて,まず共同実現可能なセットを学習し,次に解セットを推論した場合,リーダにリークした情報は名目上より大きいことを示す。
- 参考スコア（独自算出の注目度）: 43.914623898157856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of decentralized constrained optimization with multiple agents $E_1,\ldots,E_N$ who jointly wish to learn the optimal solution set while keeping their feasible sets $\mathcal{P}_1,\ldots,\mathcal{P}_N$ private from each other. We assume that the objective function $f$ is known to all agents and each feasible set is a collection of points from a universal alphabet $\mathcal{P}_{alph}$. A designated agent (leader) starts the communication with the remaining (non-leader) agents, and is the first to retrieve the solution set. The leader searches for the solution by sending queries to and receiving answers from the non-leaders, such that the information on the individual feasible sets revealed to the leader should be no more than nominal, i.e., what is revealed from learning the solution set alone. We develop achievable schemes for obtaining the solution set at nominal information leakage, and characterize their communication costs under two communication setups between agents. In this work, we focus on two kinds of network setups: i) ring, where each agent communicates with two adjacent agents, and ii) star, where only the leader communicates with the remaining agents. We show that, if the leader first learns the joint feasible set through an existing private set intersection (PSI) protocol and then deduces the solution set, the information leaked to the leader is greater than nominal. Moreover, we draw connection of our schemes to threshold PSI (ThPSI), which is a PSI-variant where the intersection is revealed only when its cardinality is larger than a threshold value. Finally, for various realizations of $f$ mapped uniformly at random to a fixed range of values, our schemes are more communication-efficient with a high probability compared to retrieving the entire feasible set through PSI.
- Abstract（参考訳）: 我々は,複数のエージェントによる分散制約最適化の問題を考える。$E_1,\ldots,E_N$ は,それぞれの実現可能な集合である $\mathcal{P}_1,\ldots,\mathcal{P}_N$ を互いにプライベートに保ちながら,最適解集合を共に学習することを望んでいる。
目的関数 $f$ はすべてのエージェントに知られており、それぞれの実現可能な集合は普遍アルファベット $\mathcal{P}_{alph}$ の点の集合であると仮定する。
指定されたエージェント(リーダ)は、残りの(非リーダ)エージェントとの通信を開始し、ソリューションセットを最初に取得する。
リーダーは、非リーダーから質問を送り、回答を受け取り、リーダーに明かされた個々の実現可能なセットに関する情報は、名目上、すなわち、単独でソリューションを学ぶことで明らかになるもの以上のものであってはならない、というように、ソリューションを検索する。
我々は,名目情報漏洩時に設定されたソリューションを得るための達成可能なスキームを開発し,エージェント間の2つの通信設定の下でそれらの通信コストを特徴付ける。
本研究では,2種類のネットワーク設定に焦点を当てる。
一 各エージェントが隣接する2つのエージェントと通信し、かつ
二 リーダーだけが残りの代理人と通信する星
リーダが既存のプライベートセット交差点(PSI)プロトコルを通じて,まず共同実現可能なセットを学習し,次に解セットを推論した場合,リーダにリークした情報は名目上より大きいことを示す。
さらに,この手法を閾値PSI (ThPSI) に接続し,その濃度がしきい値より大きい場合にのみ交点が明らかとなる。
最後に、ランダムにランダムに一定範囲の値にマッピングされた$f$の様々な実現に対して、我々のスキームは、PSIを通して実現可能な集合全体を取得するよりも、高い確率で通信効率が高い。
関連論文リスト
- Cooperative Multi-Agent Constrained Stochastic Linear Bandits [2.099922236065961]
N$エージェントのネットワークがローカルに通信し、期待されるコストを所定の閾値$tau$で保持しながら、全体的な後悔を最小限に抑える。
我々は、textitMA-OPLBと呼ばれる安全な分散上信頼度有界アルゴリズムを提案し、そのT$ラウンドの後悔に基づく高い確率を確立する。
我々の後悔の限界は次数$ MathcalOleft(fracdtau-c_0fraclog(NT)2sqrtNsqrtTlog (1/|lambda|)であることを示す。
論文 参考訳（メタデータ） (2024-10-22T19:34:53Z) - Federated Combinatorial Multi-Agent Multi-Armed Bandits [79.1700188160944]
本稿では,Banditを用いたオンライン最適化に適したフェデレーション学習フレームワークを提案する。
この設定では、エージェントのアームサブセットは、個々のアーム情報にアクセスせずにこれらのサブセットに対するノイズの多い報酬を観察し、特定の間隔で協力して情報を共有することができる。
論文 参考訳（メタデータ） (2024-05-09T17:40:09Z) - Distributed Optimization with Feasible Set Privacy [35.16231062731263]
2つのエージェントは、実行可能なセットを$mathcalP1$と$mathcalP1$を互いにプライベートに保ちながら、最適なソリューションセットを学ぶ。
エージェントの1つが$mathcalP$をプライベートにチェックする、シーケンシャルなプライベート情報検索(SPIR)フレームワークを採用しています。
SPIR-based private set intersection (PSI) プロトコルで実現可能な$mathcalP1$をプライベートに取得するのに対し、最適な方法を見つけるには、情報漏洩が少なく、ダウンロードも少ないため、我々の手法の方が優れていることを示す。
論文 参考訳（メタデータ） (2023-12-04T18:45:04Z) - A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。
具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。
我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
論文 参考訳（メタデータ） (2023-10-03T16:05:48Z) - A Simple and Provably Efficient Algorithm for Asynchronous Federated
Contextual Linear Bandits [77.09836892653176]
我々は,M$エージェントが相互に協力して,中央サーバの助けを借りて,グローバルなコンテキスト線形バンドイット問題を解決するためのフェデレーション付きコンテキスト線形バンドイットについて検討した。
すべてのエージェントが独立して動作し、ひとつのエージェントとサーバ間の通信が他のエージェントの通信をトリガーしない非同期設定を考える。
texttFedLinUCBの後悔は$tildeO(dsqrtsum_m=1M T_m)$で、通信の複雑さは$tildeO(dM)であることを示す。
論文 参考訳（メタデータ） (2022-07-07T06:16:19Z) - Multi-Agent Neural Rewriter for Vehicle Routing with Limited Disclosure
of Costs [65.23158435596518]
チームのマルコフゲームとして、部分的に観測可能なコストでマルチサイクルルーティング問題を解く。
我々のマルチエージェント強化学習アプローチである、いわゆるマルチエージェントニューラルリライタは、1エージェントニューラルリライタを利用して、反復的に書き換えるソリューションによって問題を解決する。
論文 参考訳（メタデータ） (2022-06-13T09:17:40Z) - Distributed Contextual Linear Bandits with Minimax Optimal Communication
Cost [48.288452411283444]
そこでは,$N$エージェントが協調して,$d$次元の特徴を持つ線形帯域最適化問題を解く。
本稿では,LinUCBアルゴリズムの分散バッチ除去版であるDisBE-LUCBを提案する。
我々は、DisBE-LUCBの通信コストがわずか$tildemathcalO(dN)$であり、その後悔は少なくとも$tildemathcalO(dN)$であることを示す。
論文 参考訳（メタデータ） (2022-05-26T05:56:23Z) - Collaborative Multi-agent Stochastic Linear Bandits [28.268809091816287]
我々は,ネットワークを構成するN$エージェントが局所的に通信し,全体的な後悔を最小限に抑える,協調的マルチエージェント線形帯域設定について検討する。
すべてのエージェントは、プレイされたアクションの対応する報酬を観察し、加速されたコンセンサス手順を使用して、すべてのエージェントが取得した報酬の平均の見積もりを計算する。
論文 参考訳（メタデータ） (2022-05-12T19:46:35Z) - Decentralized Optimization Over the Stiefel Manifold by an Approximate
Augmented Lagrangian Function [7.768673476492471]
本稿では、スティーフェル多様体上の分散最適化問題に焦点をあてる。
エージェントは、この問題を解決するための共同作業において、隣人としか通信できない。
既存の方法では、収束を保証するために複数の通信ラウンドが必要である。
本稿では,DESTINYと呼ばれる分散化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-30T07:19:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。