La confidentialité différentielle (DP) est un cadre de confidentialité rigoureux mathématiquement qui assure que la sortie d'un algorithme aléatoire reste statistiquement indistinguable même si les données d'un utilisateur unique changent. Il existe deux modèles principaux de DP : le modèle central, où un curateur de confiance a accès aux données brutes, et le modèle local, où tous les messages envoyés à partir d'un appareil utilisateur sont eux-mêmes différentiellement privés. Dans les scénarios de partage de données du monde réel, les utilisateurs placent souvent des de confiance variables envers les autres, en fonction de leurs relations. Cette asymétrie met en évidence la nécessité de cadres qui vont au-delà des hypothèses de confiance binaires. Le concept de confidentialité différentielle de graphe de confiance (TGDP) les relations, où les sommets représentent les utilisateurs, et les sommets connectés se font confiance. Le TGDP assure que la garantie de confidentialité s'applique aux messages partagés entre un utilisateur et tous les autres qu'il ne fait pas confiance. Le TGDP interpole de manière naturelle entre les modèles central et local, et sa précision peut être quantifiée à travers une tâche d'agrégation simple. Un algorithme basé sur un ensemble dominant du graphe de confiance peut satisfaire le TGDP, et son erreur est bornée supérieurement par une fonction de l'ensemble dominant. Une borne inférieure sur l'erreur des algorithmes TGDP est également fournie, et fermer l'écart entre les bornes supérieure et inférieure est un problème ouvert. Le modèle TGDP peut être appliqué à l'apprentissage fédéré et à l'analytique, permettant des dynamiques de confiance plus réalistes dans les systèmes de préservation de la confidentialité.