Wir stellen einen randomisierten topologischen Augmentierer vor, der auf Schur-Komplementen basiert, für Graph Contrastive Learning (GCL). Gegeben eine Graph-Laplacematrix generiert die Methode verzerrungsfreie Approximationen ihrer Schur-Komplemente und betrachtet die entsprechenden Graphen als augmentierte Sichten. Wir diskutieren die Vorteile unseres Ansatzes, liefern theoretische Begründungen und stellen Verbindungen zur Graph-Diffusion her. Im Gegensatz zu früheren Ansätzen untersuchen wir die empirische Wirksamkeit des Augmentierers in kontrollierter Weise, indem wir die Gestaltungsoptionen für nachfolgende GCL-Phasen – wie Encoding und Kontrastierung – variieren. Umfangreiche Experimente auf Benchmarks für Knoten- und Graph-Klassifikation zeigen, dass unsere Technik konsistent die Leistung vordefinierter und adaptiver Augmentierungsansätze übertrifft und state-of-the-art-Ergebnisse erzielt.