La Privacidad Diferencial Local (LDP) y sus variantes personalizadas (PLDP) se han utilizado ampliamente para el análisis de datos que preserva la privacidad. Sin embargo, los esquemas existentes a menudo imponen un nivel de indistinguibilidad uniforme entre los usuarios, sin poder acomodar las necesidades de privacidad matizadas de individuos diversos. Para abordar esto, proponemos la Privacidad Diferencial Local Distinguida por Usuario (UDPLDP), un nuevo marco que formaliza la distinguibilidad a nivel de usuario para apoyar presupuestos de privacidad más flexibles y no uniformes. Bajo este marco, abordamos la tarea fundamental de consultas de rango de frecuencia, a saber, UDPLDP-Tree, que supera el desafío debido a la limitada distinguibilidad a nivel de usuario, la insuficiente robustez en la estimación bajo distribuciones de datos complejas y la suposición de requisitos de privacidad uniformes en diferentes atributos en los esquemas multidimensionales existentes. Para demostrar la efectividad, realizamos extensos experimentos y los resultados muestran que UDPLDP-Tree reduce el error cuadrático medio (MSE) en aproximadamente un 30-50% en comparación con una línea base reciente de última generación.