Die meisten Graphkerne sind Instanzen der Klasse der $\mathcal{R}$R-Faltungskerne, die die Ähnlichkeit von Objekten durch den Vergleich ihrer Unterstrukturen messen. Trotz ihres empirischen Erfolgs verwenden die meisten Graphkerne eine naive Aggregation der endgültigen Menge von Unterstrukturen, meistens eine Summe oder ein Mittelwert, wodurch wertvolle Informationen über die Verteilung einzelner Komponenten potenziell verloren gehen. Darüber hinaus können nur wenige dieser Ansätze auf kontinuierlich attribuierte Graphen erweitert werden. Wir schlagen eine neuartige Methode vor, die auf dem Wasserstein-Abstand zwischen den Knotenmerkmalsvektordistributionen zweier Graphen basiert. Dies ermöglicht es, feinere Unterschiede in Datensätzen zu erkennen, indem Graphen als hochdimensionale Objekte betrachtet werden und nicht nur einfache Mittelwerte. Des Weiteren schlagen wir ein Einbettungsschema vor, das sich an der Weisfeiler-Lehman-Methode orientiert und für Graphen mit kontinuierlichen Knotenattributen und gewichteten Kanten geeignet ist. Durch die Verwendung des berechneten Wasserstein-Abstands verbessern wir damit die Standarte des Vorhersageleistungs auf mehreren Graphklassifikationsaufgaben.