グラフカーネルはグラフの類似性を測定するカーネル手法であり、グラフ分類における標準的なツールとして広く用いられている。しかし、グラフ表現学習と関連する問題であるノード分類においてカーネル手法を適用することは依然として適切な定式化が困難であり、現状の最先端手法は多くの場合ヒューリスティクスに依存している。本研究では、グラフ上の表現学習問題における二つの領域のギャップを埋めるための、新しい理論的枠組みに基づくノード分類手法を提案する。本手法はグラフカーネルのアプローチを出発点としているが、グラフ内の構造情報を捉えるノード表現を学習可能に拡張している。理論的に、本定式化が任意の正定値カーネルと同等の表現力を持つことを示した。効率的なカーネル学習のため、ノード特徴の集約を実現する新規メカニズムと、学習フェーズで用いるデータ駆動型類似性尺度を提案する。さらに、本フレームワークは、グラフ畳み込みネットワーク（GCNs）をはじめとする他のグラフベースの深層学習モデルと柔軟に統合可能であり、補完的な関係にある。標準的なノード分類ベンチマークを用いた実証実験において、本モデルが新たな最先端性能を達成することを示した。