نقدم إطار Wasserstein Embedding for Graph Learning (WEGL)، وهو إطار جديد وسريع لتمثيل الرسوم البيانية بأكملها في فضاء متجهي، حيث يمكن تطبيق نماذج مختلفة من التعلم الآلي للمهام التنبؤية على مستوى الرسم البياني. نستفيد من رؤى جديدة في تعريف التشابه بين الرسوم البيانية كدالة للتشابه بين توزيعات تمثيل العقد الخاصة بها. بصفة خاصة، نستخدم المسافة Wasserstein لقياس الاختلاف بين تمثيلات العقد للرسوم البيانية المختلفة. على عكس الأعمال السابقة، نتجنب حساب المسافات الزوجية بين الرسوم البيانية ونخفض التعقيد الحاسوبي من التربيعي إلى الخطي في عدد الرسوم البيانية. يحسب WEGL خرائط Monge من توزيع مرجعي إلى كل تمثيل عقد، ويقوم على أساس هذه الخرائط بإنشاء تمثيل متجهي ثابت الحجم للرسم البياني. قمنا بتقييم نهجنا الجديد لتمثيل الرسم البياني على مهام متعددة لتوقع خصائص الرسم البياني القياسية، مما أظهر أداء تصنيف متقدم بينما يتمتع بكفاءة حاسوبية فائقة. الكود متاح على الرابط: https://github.com/navid-naderi/WEGL.