Wir stellen Propagierungskerne vor, einen allgemeinen Graphkern-Frame für die effiziente Messung der Ähnlichkeit strukturierter Daten. Propagierungskerne basieren auf der Beobachtung, wie sich Informationen durch eine gegebene Menge von Graphen ausbreitet. Sie nutzen Verteilungen aus frühen Phasen von Propagierungsschemata, wie z. B. zufällige Wanderungen, um strukturelle Informationen zu erfassen, die in Knotenbeschriftungen, Attributen und Kanteninformationen kodiert sind. Dies bietet zwei Vorteile. Erstens können herkömmliche Propagierungsschemata direkt genutzt werden, um natürliche Kerne für viele Graphentypen zu konstruieren, darunter beschriftete, teilweise beschriftete, unbeschriftete, gerichtete und attributierte Graphen. Zweitens ermöglichen Propagierungskerne aufgrund der Nutzung bereits effizienter und informativer Propagierungsschemata eine deutlich schnellere Berechnung im Vergleich zu aktuellen State-of-the-Art-Verfahren, ohne die prädiktive Leistung einzubüßen. Zudem zeigen wir, dass sich bei Graphen mit regelmäßiger Struktur – beispielsweise bei der Modellierung von Bilddaten oder Videodaten – diese Regelmäßigkeit ausnutzen lässt, um die Kerneffizienz auf große Datenbanken mit Tausenden von Knoten zu skalieren. Unsere Beiträge stützen wir durch umfassende Experimente an einer Reihe realer Graphen aus verschiedenen Anwendungsbereichen.