Differenzielle Privatsphäre (DP) ist ein mathematisch strenges Datenschutz-Rahmenwerk, das gewährleistet, dass die Ausgabe eines randomisierten Algorithmus auch dann statistisch nicht unterscheidbar bleibt, wenn die Daten eines einzelnen Benutzers geändert werden. Es gibt zwei Hauptmodelle von DP: das zentrale Modell, bei dem ein vertrauenswürdiger Kurator Zugriff auf Rohdaten hat, und das lokale Modell, bei dem alle von einem Benutzergerät gesendeten Nachrichten selbst differenziell privat sind. In realen Daten-Teilungsszenarien vertrauen Benutzer jedoch oft unterschiedlichen Stufen auf andere, je nach ihren Beziehungen. Diese Asymmetrie hebt die Notwendigkeit von Rahmenwerken hervor, die binären Vertrauensannahmen übersteigen. Das Konzept der Vertrauens-Graph-DP (TGDP) modelliert Beziehungen, bei denen Vertices Benutzer darstellen, und verbundene Vertices einander vertrauen. TGDP gewährleistet, dass die Privatsphäre-Garantie auf Nachrichten anwendet, die zwischen einem Benutzer und allen anderen, denen er nicht vertraut, geteilt werden. TGDP interpoliert zwischen dem zentralen und lokalen Modellen auf natürliche Weise, und seine Genauigkeit kann durch eine einfache Aggregationsaufgabe quantifiziert werden. Ein Algorithmus basierend auf einer dominanten Menge des Vertrauens-Graphs kann TGDP erfüllen, und sein Fehler ist durch eine Funktion der dominanten Menge nach oben begrenzt. Eine untere Schranke für den Fehler von TGDP-Algorithmen wird auch bereitgestellt, und das Schließen der Lücke zwischen der oberen und unteren Schranke ist ein offenes Problem. Das TGDP-Modell kann auf föderierte Lernen und Analytics angewendet werden, um realistischere Vertrauensdynamiken in datenschutzfreundlichen Systemen zu ermöglichen.