私たちは、グラフ学習のためのワッサーシタイン埋め込み（WEGL: Wasserstein Embedding for Graph Learning）を提案します。これは、全体のグラフをベクトル空間に高速に埋め込む新しいフレームワークであり、様々な機械学習モデルがグラフレベルの予測タスクに適用可能です。私たちは、グラフ間の類似性をそれらのノード埋め込み分布間の類似性に基づいて定義するという新たな洞察を利用しています。具体的には、異なるグラフのノード埋め込み間の非類似性を測定するためにワッサーシタイン距離を使用しています。従来の手法とは異なり、私たちはグラフ間での対象的な距離計算を避けており、計算量をグラフ数に対して二次から一次に削減しています。WEGLは、基準分布から各ノード埋め込みへのモンジュ写像を計算し、これらの写像に基づいて固定サイズのベクトル表現を作成します。私たちは新しいグラフ埋め込み手法を様々なベンチマーク・グラフ特性予測タスクで評価し、最先端の分類性能と優れた計算効率を持つことを示しました。コードは以下のURLで利用可能です: https://github.com/navid-naderi/WEGL。