Graph Neural Networks (GNNs) haben sich als effektive Modelle für verschiedene prädiktive Aufgaben auf graphenstrukturierten Daten erwiesen. Neuere Arbeiten zu ihrer Ausdruckskraft haben sich auf Isomorphieaufgaben und abzählbare Merkmalsräume konzentriert. Wir erweitern diesen theoretischen Rahmen, um kontinuierliche Merkmale einzubeziehen – jene, die in realen Eingabedomänen sowie innerhalb der versteckten Schichten von GNNs regelmäßig auftreten – und zeigen die Notwendigkeit mehrerer Aggregationsfunktionen in diesem Kontext auf. Daraus leiten wir eine neue Architektur, die Principal Neighbourhood Aggregation (PNA), ab, die mehrere Aggregatoren mit Grad-Scaler kombiniert (welche den Summen-Aggregator verallgemeinern). Schließlich vergleichen wir die Fähigkeit verschiedener Modelle, die Graphenstruktur zu erfassen und auszunutzen, mittels eines neuartigen Benchmarks, der mehrere Aufgaben aus der klassischen Graphentheorie sowie etablierte Benchmarks aus realen Anwendungsbereichen enthält; alle zeigen die Stärke unseres Modells. Mit dieser Arbeit hoffen wir, einen Teil der GNN-Forschung auf neue Aggregationsmethoden hinzuorientieren, die wir für essentiell im Streben nach leistungsfähigen und robusten Modellen halten.