نقدم مُحسِّنًا عشوائيًا على المستوى التوبولوجي يستند إلى المكملات الشور (Schur complements) لتعلم التباين الرسومي (Graph Contrastive Learning (GCL)). مع مراعاة مصفوفة لابلاس للرسم البياني، تقوم هذه التقنية بإنشاء تقريبات غير متحيزة لمكملات شور، وتُعامل الرسومات المقابلة كرؤى مُعزَّزة. نناقش الفوائد الناتجة عن هذا النهج، ونقدم تبريرات نظرية، ونعرض الصلات مع عملية انتشار الرسم البياني (graph diffusion). على عكس الجهود السابقة، ندرس الفعالية التجريبية للمُحسِّن بطريقة مُحكَمة من خلال تغيير خيارات التصميم في المراحل اللاحقة لـ GCL، مثل الترميز والمقارنة. تُظهر التجارب الواسعة على معايير تصنيف العقد والرسوم البيانية أن تقنيتنا تتفوق باستمرار على الطرق المُحددة مسبقًا والطرق التكيفية لتحقق نتائج من الطراز الأول.