그래프 신경망(GNN)은 고차원 상호작용을 효과적으로 모델링할 수 있어, 추천과 같은 다양한 개인화 응용 분야에서 널리 사용되고 있다. 그러나 주류 개인화 기법은 전역 그래프 위에서 중앙집중식 GNN 학습에 의존하고 있으며, 사용자 데이터의 민감성으로 인해 상당한 개인정보 위험을 수반한다. 본 연구에서는 효과적이고 개인정보 보호를 동시에 고려한 개인화를 위한 연합 학습 기반 GNN 프레임워크인 FedPerGNN을 제안한다. 분산된 로컬 데이터로부터 추론된 분산 그래프를 기반으로, 개인정보 보호를 위한 모델 업데이트 방법을 통해 공동으로 GNN 모델을 학습할 수 있다. 또한, 로컬 상호작용을 넘어서 그래프 정보를 보다 효과적으로 활용하기 위해, 개인정보 보호를 보장하면서 고차원 정보를 포함할 수 있는 연합 그래프 확장 프로토콜을 도입하였다. 다양한 시나리오에서의 개인화를 위한 6개의 데이터셋에 대한 실험 결과, FedPerGNN은 최신 기술 대비 4.0%~9.6%의 오차 감소를 달성하면서도 우수한 개인정보 보호 수준을 유지함을 입증하였다. 이에 따라 FedPerGNN은 책임감 있는 지능형 개인화를 위한 분산 그래프 데이터의 개인정보 보호 기반 탐색에 있어 매우 유망한 방향성을 제시한다.