Die Aufgabe der Darstellung ganzer Graphen hat in letzter Zeit eine Reihe bedeutender Ergebnisse hervorgebracht, hauptsächlich aufgrund des Lernens von Faltungsneuronalen Netzen (CNNs) an graphstrukturierten Daten. Obwohl CNNs den Stand der Technik in der Graphklassifikation darstellen, sind solche Methoden überwacht und weichen daher vom ursprünglichen Problem der task-unabhängigen Netzwerkdarstellung ab. In dieser Arbeit schlagen wir konsistent einen Ansatz zur Einbettung ganzer Graphen vor und zeigen, dass unsere Merkmalsrepräsentationen zusammen mit einem SVM-Klassifizierer die Klassifikationsgenauigkeit von CNN-Algorithmen und traditionellen Graphkernen erhöhen. Dafür beschreiben wir ein kürzlich entdecktes Graphobjekt, das anonyme Walk (anonymous walk), an dem wir task-unabhängige Algorithmen für das explizite und verteilte Lernen von Graphdarstellungen entwickeln. Insgesamt stellt unsere Arbeit ein neues skalierbares unüberwachtes Lernen von state-of-the-art-Repräsentationen ganzer Graphen dar.