Cet article présente le framework FedSA-GCL, un framework proposé pour l'apprentissage fédéré des graphes (FGL) qui exploite les sous-graphes à grande échelle dans des environnements distribués. Pour remédier aux inefficacités de la communication synchrone des méthodes FGL existantes, nous adoptons une approche semi-synchrone et introduisons le mécanisme ClusterCast, qui exploite les différences de distribution des étiquettes entre les clients et les caractéristiques topologiques des graphes. À l'aide des algorithmes de partitionnement Louvain et Metis, nous comparons notre framework proposé à neuf modèles de référence sur un jeu de données de graphes réels, démontrant une amélioration moyenne des performances de 2,92 % (Louvain) et 3,4 % (Metis), ainsi qu'une forte robustesse.
