La detección de anomalías juega un papel crucial en la seguridad de los datos y la gestión de riesgos en diversos ámbitos, como la seguridad de seguros financieros, el reconocimiento de imágenes médicas y la gestión de dispositivos de Internet de las Cosas (IoT). Los investigadores confían en el aprendizaje automático para abordar amenazas potenciales con el fin de mejorar la seguridad de los datos. En la industria de seguros financieros, las empresas tienden a aprovechar las capacidades de minería de relaciones del incrustado de gráficos de conocimiento (KGE) para la detección de anomalías. Sin embargo, el etiquetado de fraude en seguros de automóviles depende en gran medida del etiquetado manual por parte de expertos. La eficiencia y los problemas de costo del etiquetado hacen que la detección de fraude en seguros de automóviles siga siendo un desafío de detección de muestras pequeñas. Los esquemas existentes, como el aprendizaje por migración y los métodos de aumento de datos, son susceptibles a características locales, lo que lleva a un rendimiento de generalización deficiente. Para mejorar su generalización, el recientemente emergente marco de Aprendizaje Federado Descentralizado (DFL) ofrece nuevas ideas para detectar más fraudes a través de la cooperación conjunta de las empresas. Basado en DFL, proponemos un marco federado llamado DFLR para la agregación de incrustaciones de relaciones. Este marco entrena el KGE privado de las compañías de seguros de automóviles en el cliente de manera local y selecciona dinámicamente servidores para la agregación de relaciones con el objetivo de proteger la privacidad. Finalmente, validamos la efectividad de nuestro DFLR propuesto en un conjunto de datos real de seguros de automóviles. Y los resultados muestran que el enfoque cooperativo proporcionado por DFLR mejora la capacidad del cliente para detectar fraude en seguros de automóviles en comparación con el entrenamiento de un solo cliente.