Bestehende Graph-Neuronale Netze können unter Umständen unter dem sogenannten „Suspended-Animation-Problem“ leiden, wenn die Modellarchitektur zu tief wird. Gleichzeitig sind für bestimmte Graph-Lernszenarien – beispielsweise bei Knoten mit Text-/Bildattributen oder Graphen mit langreichweitigen Knotenkorrelationen – tiefe Graph-Neuronale Netze notwendig, um eine effektive Darstellungslernung im Graphen zu ermöglichen. In diesem Artikel stellen wir ein neues Graph-Neuronales Netz vor, das DIFNET (Graph Diffusive Neural Network), für die Graph-Darstellungslernung und Knotenklassifikation. DIFNET nutzt sowohl neuronale Gates als auch graphbasierte Residual-Lernverfahren zur Modellierung der versteckten Zustände von Knoten und integriert zudem eine Aufmerksamkeitsmechanik zur Diffusion von Nachbarschaftsinformationen. In diesem Beitrag werden umfangreiche Experimente durchgeführt, um DIFNET mit mehreren state-of-the-art-Graph-Neural-Network-Modellen zu vergleichen. Die experimentellen Ergebnisse zeigen sowohl die überlegenen Lernleistungen als auch die Effektivität von DIFNET, insbesondere hinsichtlich der Bewältigung des „Suspended-Animation-Problems“.