多くのグラフカーネルは、$\mathcal{R}$R-畳み込みカーネルの一種であり、これらのカーネルはオブジェクトの類似性を部分構造の比較によって測定します。それらの経験的な成功にもかかわらず、ほとんどのグラフカーネルは最終的な部分構造集合を単純に集約化する方法（通常は和または平均）を使用しており、これにより個々の成分の分布に関する貴重な情報が失われる可能性があります。さらに、これらの手法のうち連続属性付きグラフに拡張できるものは限られています。本研究では、2つのグラフのノード特徴ベクトル分布間のワッサースタイン距離に依存する新しい手法を提案します。この手法は、グラフを単純な平均ではなく高次元オブジェクトとして捉えることで、データセットにおける微妙な違いを見つけることを可能とします。また、連続的なノード属性と重み付きエッジを持つグラフ向けに、ワイスフェイラー・レーマン（Weisfeiler-Lehman）に基づく埋め込みスキームを提案し、計算されたワッサースタイン距離で強化することで、いくつかのグラフ分類タスクにおける最先端の予測性能を向上させます。