यह शोधपत्र FedSA-GCL फ्रेमवर्क का परिचय देता है, जो फेडरेटेड ग्राफ़ लर्निंग (FGL) के लिए एक प्रस्तावित फ्रेमवर्क है जो वितरित परिवेशों में बड़े पैमाने के सबग्राफ़ का लाभ उठाता है। मौजूदा FGL विधियों के समकालिक संचार की अक्षमताओं को दूर करने के लिए, हम एक अर्ध-समकालिक दृष्टिकोण अपनाते हैं और क्लस्टरकास्ट तंत्र प्रस्तुत करते हैं, जो क्लाइंट और ग्राफ़ टोपोलॉजिकल विशेषताओं में लेबल वितरण में अंतर का लाभ उठाता है। लौवेन और मेटिस विभाजन एल्गोरिदम का उपयोग करते हुए, हम अपने प्रस्तावित फ्रेमवर्क की तुलना वास्तविक-विश्व ग्राफ़ डेटासेट पर नौ आधारभूत मॉडलों से करते हैं, जिससे 2.92% (लौवेन) और 3.4% (मेटिस) का औसत प्रदर्शन सुधार, साथ ही मज़बूती भी प्रदर्शित होती है।
