Message-Passing-Neuronale Netze (MPNNs) wurden erfolgreich auf die Repräsentationslernen von Graphen in verschiedenen realen Anwendungen angewendet. Dennoch begrenzen zwei fundamentale Schwächen der Aggregatoren von MPNNs ihre Fähigkeit, graphstrukturierte Daten zu repräsentieren: das Verlust der strukturellen Informationen der Knoten in den Nachbarschaften und die Unfähigkeit, langreichweitige Abhängigkeiten in dissortativen Graphen zu erfassen. Wenige Studien haben diese Schwächen aus unterschiedlichen Perspektiven beachtet. Auf Basis von Beobachtungen an klassischen neuronalen Netzen und Netzwerkgeometrie schlagen wir ein neues geometrisches Aggregationsverfahren für Graph-neuronale Netze vor, um diese beiden Schwächen zu überwinden. Die zugrunde liegende Grundidee ist, dass eine Aggregation auf einem Graph profitieren kann von einem kontinuierlichen Raum, der dem Graph zugrunde liegt. Das vorgeschlagene Aggregationsverfahren ist permutationsinvariant und besteht aus drei Modulen: Knoten-Embedding, strukturelle Nachbarschaft und zweistufige Aggregation. Wir stellen außerdem eine Implementierung des Verfahrens in Graph-Konvolutionsnetzen vor, bezeichnet als Geom-GCN (Geometrische Graph-Konvolutionsnetze), um transduktives Lernen auf Graphen durchzuführen. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Geom-GCN auf einer Vielzahl offener Datensätze von Graphen Spitzenleistungen erzielt. Der Quellcode ist unter https://github.com/graphdml-uiuc-jlu/geom-gcn verfügbar.