グラフ対比学習（Graph Contrastive Learning, GCL）におけるランダム化トポロジカル補強手法を、シュール補完（Schur complement）に基づいて提案する。与えられたグラフラプラシアン行列に対して、本手法はそのシュール補完の不偏近似を生成し、対応するグラフを補強ビューとして扱う。本手法の利点を検討し、理論的根拠を提示するとともに、グラフ拡散（graph diffusion）との関係性も明らかにする。従来の研究とは異なり、エンコーディングや対比の各フェーズにおける設計選択を制御的に変化させることで、本補強手法の実証的有効性を体系的に評価する。ノード分類およびグラフ分類のベンチマークにおいて、広範な実験により、従来の事前定義型および適応型補強手法を常に上回る性能を示し、最先端の結果を達成することを確認した。