본 논문은 연합 그래프 학습(FGL)의 다층적 이질성 문제(모델, 데이터, 통신 수준)를 해결하기 위해, 프로토타입 기반 최적화 기법인 FedPG를 제안한다. FedPG는 클라이언트 측에서 다층 토폴로지 인식 프로토타입을 통합하여 지역 그래프 의미를 포착하고, 서버 측에서는 업로드된 프로토타입을 활용하여 토폴로지 기반 대조 학습 및 개인화 기술을 통해 각 클라이언트에 맞춤형 글로벌 프로토타입을 생성하여 전송함으로써 지역 학습을 개선한다. 실험 결과, FedPG는 기존 최고 성능(SOTA) 기법들보다 정확도는 평균 3.57% 향상시키고, 통신 비용은 168배 절감하는 것을 보였다.
