近年、マルチモーダルグラフ学習（MGL）は、テキスト、画像、構造情報など多様なモダリティを統合し、ソーシャルネットワークやレコメンデーションシステムなど様々な応用で注目を集めている。しかし、実際のデータはプライバシーやビジネス上の制約から複数のパーティに分散し、各パーティのモダリティが不完全であることが多い。既存の集中型MGLは欠損モダリティ処理は可能だが、フェデレーテッド学習における知識共有や汎化を考慮しておらず、フェデレーテッドMGLは主に非グラフデータを対象としている。
本研究はまず、クライアント側でのモダリティ補完とサーバー側でのパラメータ集約という二段階パイプラインを特定した。しかし、二つの主要な課題が明らかになった：（1）トポロジ的に孤立した局所補完：クライアント側のモダリティ生成が大域的な意味情報を効果的に活用できない。（2）信頼性不均衡な大域集約：クライアントの更新がモダリティの利用可能性や回復信頼性により異なり、サーバー側の協調を妨げる。
これらの課題に対し、FedMPOは三つのモジュールを導入する。第一に、トポロジ認識型クロスモーダル生成：グラフ構造と近傍情報を利用して欠損モダリティを高精度に再構築。第二に、欠損認識型エキスパートルーティング：クライアント側でノイズの多い回復信号をフィルタリング。第三に、信頼性認識型集約：各クライアントの信頼性に基づき更新の重みを動的に調整。
実験はノード分類、リンク予測、グラフ分類の3タスク、6つのデータセットで実施。FedMPOは高欠損（60%欠損）および統計的異質性（非IID）設定でベースラインを上回り、最大4.10%および5.65%の性能向上を達成。この研究は分散マルチモーダルグラフ学習の新たな方向性を示し、実世界のグラフデータへのフェデレーテッド学習応用を促進する。例えば、医療分野における多施設協調診断や金融分野でのプライバシー保護モデリングなどが期待される。著者らは、標準データセットでの優位性を確認した一方、大規模グラフへの拡張性や動的グラフへの適応が今後の課題であると述べている。