この研究では、複数のクライアントに分散されたグラフ構造データを用いた連合学習の課題に焦点を当てています。特に、クライアント間の相互接続が学習プロセスに大きな影響を与える相互接続されたサブグラフのシナリオを考察しています。従来のアプローチにはプライバシーリスクを伴う敏感なノード埋め込みの交換が必要であったり、計算負荷が高くスケーラビリティを妨げるという重大な制限がありました。本研究では、グローバルな構造情報を利用する新しいフレームワーク「FedLap」を提案し、Laplacianスムージングを用いてノード間の依存関係を効果的に捉えつつ、プライバシーとスケーラビリティを同時に確保する手法を示しています。FedLapは強いプライバシー保証を持つ初のサブグラフ連合学習スキームであり、実験では既存の技術と比較して競争力のある結果を示しています。