Privasi diferensial (DP) adalah kerangka privasi yang teliti secara matematis dan dipelajari secara luas yang memastikan keluaran algoritma acak tetap tidak dapat dibedakan secara statistik bahkan jika data dari satu pengguna berubah. Kerangka kerja ini telah dipelajari secara ekstensif baik secara teori maupun praktik, dengan banyak penerapan dalam analitik dan pembelajaran mesin (misalnya, 1, 2, 3, 4, 5, 6, 7).
Dua model utama DP adalah model sentral dan itu model lokal. Di model sentral, kurator tepercaya memiliki akses ke data mentah dan bertanggung jawab untuk menghasilkan keluaran yang bersifat pribadi. Itu model lokal mengharuskan semua pesan yang dikirim dari perangkat pengguna bersifat pribadi, sehingga menghilangkan kebutuhan akan kurator tepercaya. Meskipun model lokal menarik karena persyaratan kepercayaannya yang minimal, model ini sering kali mengalami penurunan utilitas yang jauh lebih tinggi dibandingkan dengan model pusat.
Dalam skenario berbagi data di dunia nyata, pengguna sering kali menaruh tingkat kepercayaan yang berbeda-beda pada orang lain, bergantung pada hubungan mereka. Misalnya, seseorang mungkin merasa nyaman berbagi data lokasinya dengan keluarga atau teman dekat tetapi ragu mengizinkan orang asing mengakses informasi yang sama. Asimetri ini sejalan dengan pandangan filosofis tentang privasi sebagai kontrol atas informasi pribadi, di mana individu menentukan dengan siapa mereka bersedia membagikan datanya. Preferensi privasi yang berbeda-beda ini menyoroti perlunya kerangka kerja yang melampaui asumsi kepercayaan biner dari model-model privat yang berbeda-beda, yang mengakomodasi dinamika kepercayaan yang lebih realistis dalam sistem yang menjaga privasi.
Di dalam “Privasi Diferensial pada Grafik Kepercayaan”, diterbitkan di Inovasi dalam Konferensi Ilmu Komputer Teoritis (ITCS 2025)kami menggunakan grafik kepercayaan untuk memodelkan hubungan, dengan simpul mewakili pengguna, dan simpul yang terhubung saling percaya (lihat di bawah). Kami mempelajari cara menerapkan DP ke grafik kepercayaan ini, memastikan bahwa jaminan privasi berlaku untuk pesan yang dibagikan antara pengguna (atau tetangga tepercaya mereka) dan orang lain yang tidak mereka percayai. Khususnya distribusi pesan yang dipertukarkan oleh setiap pengguna kamu atau salah satu tetangganya dengan pengguna lain yang tidak dipercaya kamu harus tidak dapat dibedakan secara statistik jika masukan dipegang oleh kamu perubahan, yang kami sebut grafik kepercayaan DP (TGDP).
