Die Datenaugmentierung wird weithin eingesetzt, um die Verallgemeinerungsfähigkeit von maschinellen Lernmodellen zu verbessern. Allerdings existiert vergleichsweise wenig Forschung zu Datenaugmentierung für Graphen. Dies liegt vor allem an der komplexen, nicht-euklidischen Struktur von Graphen, die mögliche Manipulationsoperationen stark einschränkt. In der Bild- und Sprachverarbeitung übliche Augmentierungsoperationen besitzen keine direkten Entsprechungen für Graphen. In unserer Arbeit untersuchen wir die Datenaugmentierung für Graphen im Kontext der Verbesserung semi-supervisierter Knotenklassifikation mit Graph Neural Networks (GNNs). Wir diskutieren praktische und theoretische Motivationen, Überlegungen sowie Strategien für die Datenaugmentierung von Graphen. Unser Ansatz zeigt, dass neuronale Kantenprädiktoren effektiv strukturelle Homophilie auf der Klassen-Ebene erfassen können, um intra-klassische Kanten zu fördern und inter-klassische Kanten zu unterdrücken. Unser Hauptbeitrag stellt den GAug-Framework für die Datenaugmentierung von Graphen vor, das diese Erkenntnisse nutzt, um die Leistung von GNN-basierten Knotenklassifikationsverfahren durch Kantenprädiktion zu steigern. Umfassende Experimente auf mehreren Benchmarks belegen, dass die Augmentierung mittels GAug die Leistung über verschiedene GNN-Architekturen und Datensätze hinweg verbessert.