Moderne Graph-Neuronale Netze (GNNs) lernen Knoten-Embeddings durch mehrschichtige lokale Aggregation und erzielen große Erfolge bei Anwendungen auf assortativen Graphen. Allerdings erfordern Aufgaben auf disassortativen Graphen in der Regel nicht-lokale Aggregation. Darüber hinaus stellen wir fest, dass lokale Aggregation für einige disassortative Graphen sogar schädlich sein kann. In dieser Arbeit schlagen wir einen einfachen, aber effektiven nicht-lokalen Aggregationsrahmen mit einer effizienten, aufmerksamkeitsgesteuerten Sortierung für GNNs vor. Auf dieser Grundlage entwickeln wir verschiedene nicht-lokale GNNs. Wir führen umfassende Experimente durch, um disassortative Graphendatensätze zu analysieren und unsere nicht-lokalen GNNs zu evaluieren. Die experimentellen Ergebnisse zeigen, dass unsere nicht-lokalen GNNs in sieben Benchmark-Datensätzen von disassortativen Graphen sowohl hinsichtlich der Modellleistung als auch der Effizienz deutlich bessere Ergebnisse erzielen als bisherige Standesmethoden (state-of-the-art methods).