Die Lernung von Graphendarstellungen ist von entscheidender Bedeutung für eine Vielzahl graphenanalytischer Aufgaben, die von der Knotenklassifikation bis hin zur Gemeinschaftserkennung reichen. In jüngster Zeit wurden Graphen-Convolutional Networks (GCNs) erfolgreich für die Lernung von Graphendarstellungen eingesetzt. Diese GCNs generieren Knotendarstellungen durch Aggregation von Merkmalen aus der Nachbarschaft, was dem sogenannten „Neighborhood-Aggregation“-Schema folgt. Trotz erstaunlicher Leistungen bei verschiedenen Aufgaben zeigen bestehende GCN-basierte Modelle Schwierigkeiten, die komplexen Nichtlinearitäten graphenbasierter Daten adäquat zu erfassen. In diesem Artikel beweisen wir zunächst theoretisch, dass die Koeffizienten der Wechselwirkungsterme zwischen Nachbarn in aktuellen Modellen vergleichsweise gering sind, was erklärt, warum GCNs kaum über lineare Modelle hinauskommen. Um die komplexen Nichtlinearitäten graphenbasierter Daten besser erfassen zu können, stellen wir einen neuen GraphAIR-Framework vor, der neben der Nachbarschaftsaggregation auch die Wechselwirkungen innerhalb der Nachbarschaft modelliert. Umfassende Experimente auf Benchmark-Aufgaben wie Knotenklassifikation und Link-Vorhersage anhand öffentlicher Datensätze belegen die Wirksamkeit des vorgeschlagenen Ansatzes.