「差分プライバシー（DP）は、単一のユーザーのデータが変更されても、ランダムの出力が統計的に区別不能であることを数学的に厳密に保証するプライバシーフレームワークです。 2つの主要なDPモデルがあります。 1つは、信頼されたキュレーターが生データにアクセスする中央モデル、もう1つは、ユーザーデバイスから送信されるすべてのメッセージ自体が差分プライバシーであるローカルモデルです。 実世界のデータ共有シナリオでは、ユーザーは他のユーザーに対して異なるレベルの信頼を置くことが多いため、信頼の非対称性が明確に示されます。 これは、バイナリーの信頼仮定を超えるフレームワークが必要であることを強調しています。 信頼グラフDP（TGDP）は、関係をモデル化し、頂点がユーザーを表し、接続された頂点が互いに信頼していることを表します。 TGDPは、ユーザーが信頼していない他のすべてのユーザーとの間で共有されるメッセージに対してプライバシーの保証を適用します。 TGDPは、中央モデルとローカルモデルの間に自然に補間し、単純な集計タスクを通じてその正確さを量化することができます。 信頼グラフの支配集合に基づくアルゴリズムがTGDPを満たし、そのエラーは支配集合の関数によって上限付きます。 TGDPアルゴリズムのエラーの下限も提供され、上限と下限のギャップを閉じることは開いている問題です。 TGDPモデルは、フェデレーテッドラーニングやアナリティクスに適用でき、プライバシープレスリングシステムでのより現実的な信頼ダイナミクスを許可します。