FedMGS aborda el desequilibrio de modalidades a nivel de cliente y de nodo en el aprendizaje de grafos federados mediante la síntesis de representaciones semánticas latentes. Integra un codificador de grafos consciente de la disponibilidad, un sintetizador semántico guiado por prototipos y un mecanismo de fusión calibrado en confiabilidad para recuperar modalidades faltantes mientras se preserva la alineación semántica. Los experimentos muestran que FedMGS logra ganancias de rendimiento de hasta el 17.41% sobre las líneas base en cuatro tareas.