Graph-Embedding-Verfahren transformieren hochdimensionale und komplexe Graphinhalte in niedrigdimensionale Darstellungen. Sie sind für eine Vielzahl von Graph-Analyseaufgaben wie Link-Prädiktion, Knotenklassifikation, Empfehlungssysteme und Visualisierung von großer Bedeutung. Die meisten bestehenden Ansätze stellen Graphknoten als Punktvektoren in einem niedrigdimensionalen Embedding-Raum dar und ignorieren dabei die Unsicherheit, die in realen Welt-Graphen inhärent ist. Darüber hinaus sind viele reale Graphen großskalig und reich an Inhalt (z. B. Knotenattribute). In dieser Arbeit stellen wir GLACE vor – ein neuartiges, skalierbares Graph-Embedding-Verfahren, das sowohl die Graphstruktur als auch Knotenattribute effektiv und effizient in einer end-to-end-Weise bewahrt. GLACE modelliert Unsicherheit durch Gauss-Embeddings gezielt und ermöglicht die induktive Inferenz neuer Knoten basierend auf deren Attributen. In umfassenden Experimenten evaluieren wir GLACE an realen Welt-Graphen, und die Ergebnisse zeigen, dass GLACE state-of-the-art-Embedding-Methoden in mehreren Graph-Analyseaufgaben signifikant übertrifft.