Bài báo này giới thiệu khuôn khổ FedSA-GCL, một khuôn khổ đề xuất cho Học Đồ thị Liên kết (FGL) tận dụng các đồ thị con quy mô lớn trong môi trường phân tán. Để giải quyết sự thiếu hiệu quả của giao tiếp đồng bộ trong các phương pháp FGL hiện có, chúng tôi áp dụng phương pháp bán đồng bộ và giới thiệu cơ chế ClusterCast, tận dụng sự khác biệt trong phân phối nhãn giữa các máy khách và các đặc điểm tôpô đồ thị. Sử dụng thuật toán phân vùng Louvain và Metis, chúng tôi so sánh khuôn khổ đề xuất của mình với chín mô hình cơ sở trên một tập dữ liệu đồ thị thực tế, cho thấy hiệu suất cải thiện trung bình 2,92% (Louvain) và 3,4% (Metis), cùng với độ bền vững cao.
