Cet article souligne l'importance de mécanismes efficaces de récupération de données pour répondre à la demande croissante de modèles fondamentaux basés sur l'apprentissage profond. Les bases de données de graphes neuronaux (NGDB) sont proposées comme solution. Les NGDB utilisent l'espace neuronal pour stocker et interroger des données structurées en graphes, permettant aux LLM d'accéder à des informations précises et contextuellement pertinentes. Cependant, les NGDB existantes sont limitées aux opérations sur un seul graphe, ont une capacité limitée d'inférence sur plusieurs graphes distribués et ne prennent pas en charge les données de graphes multisources, ce qui complique la capture de la complexité et de la diversité des données réelles. Pour les données de graphes sensibles, le partage direct et l'agrégation présentent des risques importants pour la confidentialité. Par conséquent, dans cet article, nous proposons FedNGDB (Federated Neural Graph DataBase), un système innovant qui permet une inférence préservant la confidentialité sur des données de graphes provenant de sources multiples. FedNGDB apprend conjointement des représentations de graphes provenant de sources multiples grâce à l'apprentissage fédéré afin d'enrichir les relations entre les entités et d'améliorer la qualité globale des données de graphes.