본 논문은 진화하는 그래프 데이터에서의 지속적인 그래프 학습(CGL) 문제를 다룹니다. 기존 CGL 방법들은 중앙 집중식 아키텍처에 의존하고 분산 그래프 데이터베이스의 잠재력을 활용하지 못한다는 한계가 있습니다. 따라서, 본 논문은 저장 및 개인 정보 보호 제약 조건 하에 여러 진화하는 그래프에서 GNN을 적응시키기 위해 Federated Continual Graph Learning (FCGL)을 제안합니다. 실험 결과, 지역 그래프 망각(LGF)과 전역 전문성 충돌(GEC)이라는 두 가지 핵심적인 과제를 확인했습니다. LGF는 클라이언트가 새로운 작업에 적응할 때 이전 지식을 잃는 현상이고, GEC는 서버측 매개변수 집계 과정에서 클라이언트 전문성의 불일치로 인해 전역 GNN이 새로운 작업에 적응하고 이전 작업을 유지하는 데 모두 최적이 아닌 성능을 보이는 현상입니다. 이러한 문제를 해결하기 위해, 본 논문은 LGF를 완화하기 위해 지역적으로 최대 지역-전역 적용 범위를 가진 경험 노드를 보존하는 POWER 프레임워크와 GEC을 해결하기 위해 궤적 인식 지식 전달을 사용한 의사-프로토타입 재구성을 제안합니다. 다양한 그래프 데이터셋에 대한 실험을 통해 POWER가 CGL 기준 방법의 연합 적응 및 비전 중심 연합 지속 학습 방법보다 우수함을 보여줍니다.
