Nous introduisons un augmentateur topologique aléatoire fondé sur les compléments de Schur pour l’apprentissage contrastif de graphes (Graph Contrastive Learning, GCL). Étant donné une matrice laplacienne de graphe, notre méthode génère des approximations sans biais de ses compléments de Schur et considère les graphes correspondants comme des vues augmentées. Nous analysons les avantages de notre approche, fournissons des justifications théoriques et établissons des liens avec le processus de diffusion sur graphe. Contrairement aux travaux antérieurs, nous évaluons de manière contrôlée l’efficacité empirique de cet augmentateur en variant les choix de conception pour les phases ultérieures du GCL, notamment l’encodage et la comparaison. Des expérimentations étendues sur des benchmarks de classification de nœuds et de graphes montrent que notre méthode surpasse de manière cohérente les approches d’augmentation prédéfinies et adaptatives, atteignant ainsi des résultats de pointe.