大多数图核方法都是$\mathcal{R}$R-卷积核类的实例，通过比较对象的子结构来衡量其相似性。尽管这些图核在实际应用中取得了成功，但它们通常采用一种简单的最终子结构集合聚合方法（通常是求和或平均），这可能导致丢弃关于各个组件分布的宝贵信息。此外，只有少数这类方法可以扩展到连续属性图上。我们提出了一种新颖的方法，该方法基于两个图的节点特征向量分布之间的Wasserstein距离，通过将图视为高维对象而非简单均值，能够发现数据集中的细微差异。我们进一步提出了一种受Weisfeiler-Lehman启发的嵌入方案，适用于具有连续节点属性和加权边的图，并通过计算得到的Wasserstein距离对其进行增强，从而在多个图分类任务中提升了最先进的预测性能。