차등 프라이버시(DP)는 단일 사용자의 데이터가 변경되더라도 랜덤 알고리즘의 출력이 통계적으로 구별할 수 없도록 보장하는 수학적으로 엄격한 프라이버시 프레임워크입니다. DP의 두 가지 주요 모델은 중앙 모델로 신뢰할 수 있는 큐레이터가 원시 데이터에 액세스하는 경우와 로컬 모델로 사용자의 디바이스에서 보내는 모든 메시지가 차등 프라이버시인 경우입니다. 실제 데이터 공유 시나리오에서는 다른 사람에 대한 신뢰 수준이 관계에 따라 다를 수 있습니다. 이러한 비대칭은 이진 신뢰 가정 이상의 프레임워크가 필요하다는 것을 강조합니다. 신뢰 그래프 차등 프라이버시(TGDP)는 관계를 모델링하여 사용자를 나타내는 꼭짓점과 서로 신뢰하는 꼭짓점이 연결됩니다. TGDP는 사용자가 신뢰하지 않는 모든 사람과 공유하는 메시지에 대한 프라이버시 보장을 적용합니다. TGDP는 중앙 모델과 로컬 모델 사이에 자연스럽게 보간을 수행하며, 정확도는 간단한 집계 작업을 통해 정량화할 수 있습니다. 신뢰 그래프의 지배 집합에 기반한 알고리즘은 TGDP를 만족하며, 오류는 지배 집합의 함수에 의해 상한됩니다. TGDP 알고리즘의 오류에 대한 하한도 제공되며, 상한과 하한 사이의 간격을 좁히는 것은 열린 문제입니다. TGDP 모델은 연합 학습 및 분석에 적용할 수 있으며, 프라이버시 보장 시스템에서 더 실제적인 신뢰 동역을 허용합니다.