Este artículo presenta el marco FedSA-GCL, una propuesta de marco para el Aprendizaje de Grafos Federados (FGL) que aprovecha subgrafos a gran escala en entornos distribuidos. Para abordar las ineficiencias de la comunicación síncrona de los métodos FGL existentes, adoptamos un enfoque semisíncrono e introducimos el mecanismo ClusterCast, que aprovecha las diferencias en la distribución de etiquetas entre clientes y las características topológicas del grafo. Utilizando los algoritmos de partición Louvain y Metis, comparamos nuestro marco propuesto con nueve modelos de referencia en un conjunto de datos de grafos reales, demostrando una mejora promedio del rendimiento del 2,92 % (Louvain) y del 3,4 % (Metis), junto con una robustez considerable.
