Le réseau de neurones graphiques (GNN) est efficace pour modéliser des interactions d'ordre supérieur et est largement utilisé dans diverses applications personnalisées, telles que la recommandation. Toutefois, les méthodes de personnalisation dominantes s'appuient sur un apprentissage centralisé des GNN sur des graphes globaux, ce qui soulève des risques importants en matière de confidentialité en raison de la nature sensible des données utilisateur. Dans cet article, nous proposons un cadre de GNN fédéré nommé FedPerGNN, conçu pour assurer une personnalisation à la fois efficace et préservant la vie privée. Grâce à une méthode de mise à jour de modèle respectueuse de la vie privée, il devient possible d’entraîner collaborativement des modèles GNN à partir de graphes décentralisés inférés à partir des données locales. Pour exploiter davantage l’information graphique au-delà des interactions locales, nous introduisons un protocole de développement graphique respectueux de la vie privée, permettant d’intégrer des informations d’ordre supérieur tout en garantissant la protection des données. Les résultats expérimentaux sur six jeux de données, dans des scénarios de personnalisation variés, montrent que FedPerGNN réduit les erreurs de 4,0 % à 9,6 % par rapport aux méthodes d’apprentissage fédéré de pointe en matière de personnalisation, tout en assurant une bonne protection de la vie privée. FedPerGNN ouvre ainsi une voie prometteuse pour l’extraction d’informations à partir de données graphiques décentralisées de manière responsable et intelligente, tout en préservant la confidentialité.