{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,9,8]]，“日期-时间”：“2024-09-08T03:55:28Z”，“时间戳”：1725767728438}，“出版商位置”：“美国纽约州纽约市”，“引用-计数”：48，“出版者”：“ACM”，“许可证”：[{“开始”：{/“日期-零件”：[2022,7,23]]，“日期时间”：“2022-07-23T00:00:00Z”，“时间戳”：1658534400000}，“content-version”：“vor”，“delay-in-days”：367，“URL”：“http://www.acm.org\/publications\/policys\/corpyright_policy#Background”}]，“funder”：[{“DOI”：“10.13039\/100006754”，“name”：“陆军研究实验室”，“DOI-asserted-by”：“publisher”，“adward”：[“W911NF-17-2-0196”]，“id”：“{”id“10.13029\/1000006754”54“，”id-type“：”DOI“，”asserted-by“：“publisher”}]}，{“DOI”：“10.13039\/100000001”，“name”：“National Science Foundation”，“DOI-asserted-by”：“publiser”，“award”：[“1842198”]，“id”：[{“id”:“10.13029\/1000000001”，“id-type”：“DOI“，”asserted-by“：”publisher“}]}]，“content-domain”：{“domain”:[“dl.acm.org”]，”crossmark-restriction“：true}，”short-container-ti tle“：[]，”published-print“：{”date-parts“用法：[2021,7,21]]}，“DOI”：“10.1145\/3465084.3467902”，“type”：“proceedings-article”，“created”：{“date-parts”：[[2021,7,23]]，“date-time”：“2021-07-23T21:09:28Z”，“timestamp”：1627074568000}，”page“：”379-389“，”update-policy“http://\/dx.DOI.org\/10.1145\/crossmark-policy”，“source”：”crossmark-policy“ref“，”is-referenced-by-count“：12，”title“：[“分布式优化中的近似拜占庭容错”]，“前缀”：“10.1145”，“卷”：“31”，“作者”：[{“给定”：“Shuo”，“family”：“Liu”，“sequence”：“first”，“affiliation”：[}“name”：“Georgetown University，Washington DC，USA”}]}：“Ecole Polytechnology F\u00e9d\u00e9-rale de Lausanne，Switzerland”}]}，{“given”：“Nitin H.”，“family”：“Vaidia”，“sequence”：“additional”，“affiliation”：[{“name”：“Georgetown University，Washington DC，USA”}]]，“member”：“320”，“published-on-line”：{“date-parts”：[2021,7,23]}、“reference”：[}“key”：”e_1_3_2_1 _1“，”volume-title“：”加内特（编辑）“，“卷”：“31”，“作者”：“Alistarh Dan”，“年份”：“2018”，“非结构化”：“Dan Alistarh，Zeyuan Allen-Zhu，Jerry Li.2018.拜占庭随机梯度下降.神经信息处理系统进展，S.Bengio，H.Wallach，H.Larochelle，K.Grauman，N.Cesa-Bianchi，R.Garnett（编辑），第31卷。Curran Associates，Inc.https:\/\/process.neurips.cc\/paper\/2018\/file\/a07c2f3b3b907aaf8436a26c6d77f0a2-paper.pdf Dan Alistarh、Zeyuan Allen-Zhu和Jerry Li.2018。拜占庭随机梯度下降。《神经信息处理系统进展》，S.Bengio、H.Wallach、H.Larochelle、K.Grauman、N.Cesa-Bianchi和R.Garnett（编辑），第31卷。Curran Associates，Inc.https:\/\/procedures.neurips.cc\/paper\/2018\/file\/a07c2f3b907aaf8436a26c6d77f0a2-paper.pdf“}，{“volume-title”：“Advanced econometrics”，“author”：“Amemiya Takeshi”，“key”：“e_1_3_2_2_1”，《非结构化》：“Takeshi-Amemiya.1985”。高级计量经济学。哈佛大学出版社。武士·阿梅米亚（Takeshi Amemiya）。1985年，高级计量经济学。哈佛大学出版社。“}，{“键”：“e_1_3_2_3_1”，“非结构化”：“Jeremy Bernstein Jiawei Zhao Kamyar Azizzadenesheli and Anima Anandkumar。2019。具有多数表决权的signSGD具有通信效率和容错性。arX输入：cs。DC\/1810.05291杰里米·伯恩斯坦（Jeremy Bernstein）、贾维（Jiawei）、赵卡米尔·阿齐扎德涅谢利（Kamyar Azizzadenesheli）和阿尼玛·阿南德库马尔（Anima Anandkumar）。2019.具有多数投票权的SGD标志具有通信效率和容错性。arX输入：cs。DC\/1810.05291“}，{“体积-时间”：“并行和分布式计算：数值方法”，“作者”：“Bertsekas Dimitri P”，“密钥”：“e_1_3_2_4_1”，“非结构化”：“Dimitri P-BertsekasandJohn N Tsitsiklis.1989。并行和分布式计算：数值方法。第23卷。新泽西州恩格尔伍德悬崖普伦蒂斯大厅。Dimitri P Bertsekas和John N Tsitsiklis。1989.并行和分布式计算：数值方法。第23卷。新泽西州普伦蒂斯霍尔恩格尔伍德悬崖。“}，{”key“：”e_1_3_2_5_1“，”volume-title“：”第28届神经信息处理系统国际会议论文集“，”卷“：”1“，”author“：”Bhatia Kush“，”year“：”2015“，”unstructured“：”Kush Bhatia、Pratek Jain和Purushottam Kar。2015 . 通过硬阈值进行稳健回归。第28届神经信息处理系统国际会议论文集-第1卷（NIPS’15）。麻省理工学院出版社，马萨诸塞州剑桥，美国，721-729。Kush Bhatia、Pratek Jain和Purushottam Kar。2015年，通过硬阈值进行稳健回归。第28届神经信息处理系统国际会议论文集-第1卷（NIPS’15）。麻省理工学院出版社，马萨诸塞州坎布里奇，美国，721--729。“}，{“volume-title”：“第31届神经信息处理系统国际会议（NIPS’17）论文集”，“年份”：“2017年”，“作者”：“布兰查德·佩娃”，“密钥”：“e_1_3_2_6_1”，“非结构化”：“佩瓦·布兰查德（Peva Blanchard）、马赫迪·穆罕默德（El Mahdi El Mhamdi）、拉希德·盖拉乌伊（Rachid Guerraoui）和朱利安·斯塔纳（Julien Stainer）。2017 . 与对手的机器学习：拜占庭容忍梯度下降。第31届神经信息处理系统国际会议论文集（NIPS’17）。Curran Associates Inc.，美国纽约州Red Hook，118-128。佩瓦·布兰查德（Peva Blanchard）、马赫迪·穆罕默德（El Mahdi El Mhamdi）、拉希德·盖拉乌伊（Rachid Guerraoui）和朱利安·斯塔纳（Julien Stainer）。2017.与对手的机器学习：拜占庭容忍梯度下降。第31届神经信息处理系统国际会议论文集（NIPS’17）。Curran Associates Inc.，Red Hook，NY，USA，118-128.“}，{”key“：”e_1_3_2_2_7_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1137 \/16M1080173”}，“key”：“e_1_ 3_2_8_1”，“doi-assert-by”：“publisher”，”doi“：”10.1561 \/220000016“}”，{“volume-title”：“Convex optimization”，“author”：“Boyd Stephen”，”key：“e_ 1_3_2”_9_1“，”非结构化“：”斯蒂芬·博伊德和利文·范登伯格。2004.凸优化。剑桥大学出版社。斯蒂芬·博伊德和利文·范登伯格。2004.凸优化。剑桥大学出版社。“}，{”key“：”e_1_3_2_2_10_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TSP.2019.2946020”}，“key”：“e_1_m2_2_11_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/3055399.3055491“}3330“}，{“键”：“e_1_3_2_2_13_1”，“doi-asserted-by”：“发布者”，“doi”：“10.1145\/3154503”}，{“key”：“e_1_3_2_14_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/ACC.2015.71098“}，{”key“：”e_1_ 3_2_15_1“，”volume-title“：”第35届国际机器学习会议论文集（机器学习研究论文集），JenniferDy和Andreas Krause（编辑）“，”卷“：”80“，”作者“：”Damaskinos Georgios“，”年份“2018”，“非结构化”：“Georgios Damaskinos、El Mahdi El Mhamdi、Rachid Guerraoui、Rhichek Patra和Mahsa Taziki。2018。异步拜占庭机器学习（SGD案例）。第35届机器学习国际会议论文集（机器学习研究论文集），JenniferDy和Andreas Krause（编辑），第80卷。PMLR，1145-1154。http:\/\/crocesses.mlr.press\/v80\/damaskinos18a.html乔治奥斯·达马斯基诺斯（Georgios Damaskinos）、马赫迪·穆罕默德（El Mahdi El Mhamdi）、拉希德·盖拉维（Rachid Guerraoui）、瑞切克·帕特拉（Rhichek Patra）和马赫萨·塔齐基（Mahsa。2018年，异步拜占庭机器学习（SGD案例）。第35届国际机器学习会议论文集（机器学习研究论文集），JenniferDy和Andreas Krause（编辑），第80卷。PMLR，1145--1154。http://\/process.mlr.press\/v80\/damaskinos18a.html“}，{”volume-title“：”Sever:随机优化的稳健元算法。arXiv:cs.LG\/1803.02815“，”year“：”2019“，”author“：”Diakonikolas Ilias“，”key“：”e_1_3_2_16_1“，”unstructured“：”Ilias Diakonicolas，Gautam Kamath，Daniel M。凯恩、杰里·李、雅各布·斯坦哈特和阿利斯泰尔·斯图尔特。2019 . Sever:一种用于随机优化的鲁棒元算法。arX输入：cs。LG \/1803.02815 Ilias Diakonikolas、Gautam Kamath、Daniel M.Kane、Jerry Li、Jacob Steinhardt和Alistair Stewart。2019.Sever：用于随机优化的稳健元算法。arX输入：cs。LG\/1803.02815“}，{”key“：”e_1_3_2_2_17_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TAC.2011.2161027”}，“key”：“e_1_ 3_2_18_1”，“volume-title”：“第35届国际机器学习会议论文集（机器学习研究论文集），Jennifer Dy和Andreas Krause（编辑）”，“卷”：“80”，“作者”：“El Mhamdi El Mahdi”，“年份”：“2018年，“非结构化”：“El Mahdi El Mhamdi、Rachid Guerraoui和S\u00e9bastien Rouault。2018 . 拜占庭分布式学习的潜在漏洞。第35届国际机器学习会议论文集（机器学习研究论文集），Jennifer Dy和Andreas Krause（编辑），第80卷。PMLR，3521-3530。http:\/\/crocesses.mlr.press\/v80\/mhamdi18a.html El Mahdi El Mhamdi、Rachid Guerraoui和S\u00e9bastien Rouault。2018年，拜占庭分布式学习的潜在漏洞。第35届国际机器学习会议论文集（机器学习研究论文集），Jennifer Dy和Andreas Krause（编辑），第80卷。PMLR，3521至3530。http:\/\/crocesses.mlr.press\/v80\/mhamdi18a.html“}，{“key”：“e_1_3_2_2_19_1”，“doi-asserted-by”：“publisher”、“doi”：“10.1109\/TAC.2014.2303233”}、{“密钥”：“e_1_3_2_2_20_1”、《非结构化》：“Jiashi Feng Huan Xu和Shie Mannor.2015。分布式鲁棒学习。arXiv:stat.ML \/1409.5937伽师冯焕旭和谢曼诺。2015年，分布式稳健学习。arXiv:stat.ML \/1409.5937“}，{“volume-title”：“Vaidya”，“year”：“2021”，“author”：“Gupta Nirupam”，“key”：“e_1_3_2_21_1”，《unstructured》：“Nirupam-Gupta，Shuo Liu，and Nitin H.Vaidya.2021.使用随机梯度下降（SGD）和基于范数的比较梯度消除（CGE）的拜占庭容错分布式机器学习 . arX输入：cs。LG\/2008.04699 Nirupam Gupta、Shuo Liu和Nitin H.Vaidya。2021.使用随机梯度下降（SGD）和基于范数的比较梯度消除（CGE）的拜占庭容错分布式机器学习。arX输入：cs。LG\/2008.04699“}，{“volume-title”：“Vaidya”，“year”：“2019”，“author”：“Gupta Nirupam”，“key”：“e_1_3_2_22_1”，“unstructured”：“Nirupam-Gupta and Nitin H.Vaidya.2019.拜占庭容错分布式线性回归。arXiv:cs.LG\/1903.08752 Nirupam-Gupta和Nitin H。Vaidya.2019。拜占庭容错分布式线性回归。arX输入：cs。LG \/1903.08752“}，{“volume-title”：“线性回归的拜占庭容错并行随机梯度下降。2019年通信、控制和计算第57届Allerton年会（Allerton）。IEEE，415--420”，“年份”：“2019”，“作者”：“Gupta Nirupam”，“键”：“e_1_3_2_23_1”，“非结构化”：“Nirupam-Gupta和Nitin H。瓦迪亚。2019 . 线性回归的拜占庭容错并行随机梯度下降。2019年，第57届Allerton通信、控制和计算年会（Allerton）。IEEE，415--420。https:\/\/doi.org\/10.109\/ALLERTON。2019.8919735 Nirupam Gupta和Nitin H.Vaidya。2019.线性回归的拜占庭容错并行随机梯度下降。2019年，第57届Allerton通信、控制和计算年会（Allerton）。IEEE，415--420。https:\/\/doi.org/10.1109\/ALLERTON.2019.819735“}，{“卷标题”：“第39届分布式计算原理研讨会论文集（PODC'20）”，“作者”：“Gupta Nirupam”，“密钥”：“e_1_3_2_24_1”，“非结构化”：“Nirupam Gupta and Nitin H.Vaidya.2020。分布式优化中的容错：冗余情况。第39届分布式计算原理研讨会论文集（PODC’20）。美国纽约州纽约市计算机协会，365-374。https:\/\/doi.org\/10.1145\/3382734.3405748 Nirupam Gupta和Nitin H.Vaidya。2020年。分布式优化中的容错：冗余情况。第39届分布式计算原理研讨会论文集（PODC’20）。计算机机械协会，美国纽约州纽约市，365-374。https:\/\/doi.org\/10.1145\/3382734.3405748“}，{“volume-title”：“Vaidia”，“year”：“2020”，“author”：“Gupta Nirupam”，“key”：“e_1_3_2_25_1”，“unstructured”：“Nirupam-Gupta and Nitin H.Vaidya.2020.协同优化中的弹性：冗余和独立成本函数。arXiv:cs.DC\/2003.09675 Nirupam-Gupta和Nitin H。Vaidya.2020。协同优化中的弹性：冗余和独立的成本函数。arX输入：cs。DC\/2003.09675“}，{”key“：”e_1_3_2_2_26_1“，”unstructured“：”Sai Praneeth Karimireddy Lie He和Martin Jaggi.2020。拜占庭稳健优化的历史学习。arX输入：cs。LG\/2012.10333赛普拉内斯·卡里米雷迪·列赫（Sai Praneeth Karimireddy Lie He）和马丁·贾吉（Martin Jaggi）。2020年拜占庭稳健优化的历史学习。arX输入：cs。LG\/2012.10333“}，{“key”：“e_1_3_2_27_1”，“doi-asserted-by”：“publisher”，”doi“：“10.23919\/ACC45564.2020.9147396”}，“volume-title”：“拜占庭将军问题”，“author”：“Lamport Leslie”，“key“：”e_1_ 3_2_28_1“，”非结构化“：”Leslie Lamport，Robert Shostak，and Marshall Pease.2019。拜占庭将军问题。计算机械协会，美国纽约州纽约市，203-226。莱斯利·兰波特（Leslie Lamport）、罗伯特·肖斯塔克（Robert Shostak）和马歇尔·皮斯（Marshall Pease）。2019年，拜占庭将军问题。美国纽约州纽约市计算机械协会，203-226。“}，{“volume-title”：“Vaidia”，“year”：“2021”，“author”：“Liu Shuo”，“key”：“e_1_3_2_29_1”，“unstructured”：“刘硕（Shuo Liu）、尼鲁帕姆·古普塔（Nirupam Gupta）和尼汀·H（Nitin H）。瓦迪亚。2021 . 分布式优化中的近似拜占庭容错。arX输入：cs。DC\/2101.09337刘硕、尼鲁帕姆·古普塔和尼汀·瓦迪亚。2021.分布式优化中的近似拜占庭容错。arX输入：cs。DC\/2101.09337“}，{“volume-title”：“分布式算法”，“author”：“Lynch Nancy A”，“key”：“e_1_3_2_30_1”，“非结构化”：“Nancy A.Lynch.1996。分布式算法。爱思唯尔。南希·A·林奇。1996年，分布式算法。爱思唯尔。“}，{”key“：”e_1_3_2_2_31_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/TCNS.2016.2606880“}”，{“key”：“e_1_ 3_2_32_1”，”unstructured“：”James R Munkres.2000。拓扑结构。新泽西州普伦蒂斯·霍尔上鞍河。詹姆斯·蒙克雷斯（James R Munkres）。2000.拓扑。新泽西州普伦蒂斯·霍尔上鞍河。“}，{”key“：”e_1_3_2_2_33_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109 \/TAC.2008.209515”}，“key”：“e_1_ 3_2_34_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109 \/TCNS.2016.2607420“}6843720“}，{“卷-时间”：“西瓦拉曼·巴拉克里希南和普拉迪普·拉维库玛。”，“年份”：“2018”，“作者”：“Prasad Adarsh”，“密钥”：“e_1_3_2_36_1”，“非结构化”：“Adarsh Prasad、Arun Sai Suggala、Sivaraman Balakrishnan和Pradeep Ravikumar。2018 . 通过稳健梯度估计进行稳健估计。arXiv:stat.ML \/1802.06485阿达斯·普拉萨德（Adarsh Prasad）、阿伦·赛·苏加拉（Arun Sai Suggala）、西瓦拉曼·巴拉克里什南（Sivaraman Balakrishnan）和普拉迪夫·拉维库玛（Pradeep Ravikumar）。2018.通过稳健梯度估计进行稳健估计。arXiv:stat.ML\/1802.06485“}，{“key”：“e_1_3_2_2_37_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1145\/984622.984626“}”，{”key“：”e_1_ 3_2_38_1“，”doi-assert-by“：”publisher“，“doi”：“10.1109\/CD.2004.1428778”}，“volume-title”：“可满足模理论国际研讨会”，“年”：“2015”，“author”：“Shoukry Yasser”，“key”：“e_1_3_2_2_39_1”，“非结构化”：“亚瑟·舒克里、皮埃尔路易吉·努佐、阿尔贝托·普格利、阿尔贝托·L·桑吉奥瓦尼-文森特利、桑吉特·塞希亚、马尼·斯利瓦斯塔瓦和保罗·塔布阿达。2015 . Imhotep-SMT：用于安全状态估计的可满足性模理论求解器。程序中。可满足性模理论国际研讨会。亚瑟·舒克里、皮埃尔路易吉·努佐、阿尔贝托·普格利、阿尔贝托·L·桑吉奥瓦尼-文森特利、桑吉特·塞希亚、马尼·斯利瓦斯塔瓦和保罗·塔布阿达。2015.Imhotep-SMT：用于安全状态估计的可满足性模理论求解器。程序中。满意模理论国际研讨会。“}，{”key“：”e_1_3_2_40_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TAC.2017.2676679”}，“volume-title”：“韧性：存在任意离群者时的学习标准。arXiv:cs.LG\/1703.04940”，“年份”：“2017”，“作者”：“Steinhardt Jacob”，“key”：“e_1_ 3_2_41_1”，”非结构化“：”雅各布·斯坦哈特（Jacob Steinhardt）、摩西·查里卡尔（Moses Charikar）和格雷戈里·瓦利安（Gregory Valiant）。2017 . 适应力：存在任意离群者时的学习标准。arX输入：cs。LG \/1703.04940雅各布·斯坦哈特（Jacob Steinhardt）、摩西·查里卡尔（Moses Charikar）和格雷戈里·瓦利安（Gregory Valiant）。2017.韧性：存在任意离群者时的学习标准。arX输入：cs。LG\/1703.04940“}，{“key”：“e_1_3_2_2_42_1”，“unstructured”：“Lili Su和Shahin Shahrampour.2018。具有噪声测量的拜占庭弹性分布式状态估计的有限时间保证。arX输入：cs。SY\/1810.10086苏丽丽和沙欣·沙赫拉姆。2018年，采用噪声测量的拜占庭弹性分布式状态估计的有限时间保证。arX输入：cs。SY\/1810.10086“}，{“volume-title”：“Vaidia”，“year”：“2016”，“author”：“Su Lili”，“key”：“e_1_3_2_43_1”，“unstructured”：“Lili Su and Nitin H.Vaidya.2016.容错多智能体优化：最优迭代分布式算法（PODC’16）.计算机械协会，美国纽约州纽约市，425-434。https:\/\/doi.org\/10.1145\/2933057.2933105 Lili Su和Nitin H.Vaidya。2016.容错多代理优化：最优迭代分布式算法（PODC’16）。美国纽约州纽约市计算机协会，425--434。https:\/\/doi.org\/10.1145\/2933057.2933105“}，{“volume-title”：“Vaidia”，“year”：“2016”，“author”：“Su Lili”，“key”：“e_1_3_2_44_1”，“unstructured”：“Lili Su and Nitin H.Vaidya.2016.拜占庭代理在场下的非巴耶斯式学习。分布式计算。斯普林格-柏林-海德堡，柏林，海德伯格，414-427。Lili Su和Nitin H.Vaidya。2016年，拜占庭特工在场下的非巴耶斯式学习。在分布式计算中。Springer Berlin Heidelberg，Berlin，Heidelbeg，414--427.“}，{”key“：”e_1_3_2_2_45_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TAC.2020.3008139”}，“key”：“e_1_ 3_2_46_1”，“unstructured”：“Cong Xie Oluwasanmi Koyejo and Indranil Gupta.2018。广义拜占庭宽容SGD。arX输入：cs。DC\/1802.10116 Cong Xie Oluwasanmi Koyejo和Indranil Gupta。2018年广义拜占庭宽容SGD。arX输入：cs。DC\/1802.10116“}，{“volume-title”：“Bajwa”，“year”：“2017”，“author”：“Yang Zhixing”，“key”：“e_1_3_2_2_47_1”，《unstructured》：“Zhixion Yang and Waheed U.Bajwa.2017.ByRDiE:拜占庭式分散学习分布式坐标下降法。arXiv:cs.LG\/1708.08155 Zhixiong Yang and Waheed U.Bajwa.2017。ByRDiE：拜占庭式分布式坐标下降，用于分散学习。arX输入：cs。LG\/1708.08155“}，{“key”：“e_1_3_2_2_48_1”，“volume-title”：“第35届国际机器学习会议论文集（机器学习研究论文集），Jennifer Dy和Andreas Krause（编辑）”，“卷”：“80”，“作者”：“尹东”，“年份”：“2018”，“非结构化”：“董寅、陈玉东、兰昌德兰·坎南和彼得·巴特利特。2018 . 拜占庭-鲁布斯特分布式学习：走向最佳统计率。在第35届国际机器学习会议论文集（机器学习研究论文集）中，Jennifer Dy和Andreas Krause（编辑），第80卷。PMLR，5650-5659。http:\/\/crocesses.mlr.press\/v80\/in18a.html董寅、陈玉东、兰昌德兰·坎南和彼得·巴特利特。2018年，拜占庭-鲁布斯特分布式学习：走向最佳统计率。第35届国际机器学习会议论文集（机器学习研究论文集），Jennifer Dy和Andreas Krause（编辑），第80卷。PMLR，5650-5659。http:\/\/procedures.mlr.press\/v80\/in18a.html“}]，“event”：{“name”：“PODC’21:ACM Distributed Computing Principles”，“赞助商”：[“SIGOPS ACM操作系统特别兴趣小组”，“SIGACT ACM算法和计算理论特别兴趣小组“]，“location”：“Virtual event Italy”，“缩写词”：“PO’21”}，“container-title”：[”2021年美国计算机学会分布式计算原理研讨会论文集“]，“原标题”：[]，“链接”：[{“URL”：“https:\/\/dl.ACM.org/doi\/pdf\/10.1145\/3465084.3467902”，“内容类型”：“应用程序\/pdf”，“内容版本”：“vor”，“预期应用程序”：“联合”}，{“URL”：“https:\/\/dl.ACM.org/doi\/pdf\/10.1145\/3465084.3467902”，“content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2023,1,11]]，”date-time“：“2023-01-11T20:40:57Z”，”timestamp“：1673469657000}，”score“：1，”resource“：{primary“：”URL“https:\/\/dl.acm.org\/doi\/10.1145\/3467902”}}，“副标题”：[]，“短标题”：[]date-parts“：[[2021,7,21]]}，”references-count“：48，”alternative-id“：[”10.1145\/3465084.3467902“，”10.1145\/3465084“]，”URL“：”http://\/dx.doi.org\/10.1145\/34650084.34679“，”relationship“：{}，“subject”：[]，“published”：{“date-parts”：[2021,7,201]}“断言”：[{“value”：“2021-07-23”，“”顺序“：2，”名称“：”发布“，”标签“：”已发布“，“组”：{“名称”：“publication_history“，”label“：”出版物历史“}}]}}