Wir untersuchen die Darstellungskraft von Graph Neural Networks (GNNs) bei der semi-überwachten Knotenklassifizierung unter Heterophilie oder geringer Homophilie, d.h. in Netzwerken, in denen verbundene Knoten unterschiedliche Klassenlabels und dissimilare Merkmale haben können. Viele populäre GNNs scheitern an dieser Aufgabe und werden sogar von Modellen übertroffen, die die Graphstruktur ignorieren (z.B. Multilayer Perceptrons). Angesichts dieser Einschränkung identifizieren wir eine Reihe von Schlüsseldesigns – Trennung von Ego- und Nachbarn-Einbettungen, höhere Ordnungs-Nachbarschaften und Kombination von Zwischendarstellungen –, die das Lernen aus der Graphstruktur unter Heterophilie verbessern. Wir kombinieren diese Designs zu einem Graph Neural Network, dem H2GCN, welches wir als Basismethode verwenden, um die Effektivität der identifizierten Designs empirisch zu evaluieren. Indem wir über die traditionellen Benchmarks mit starker Homophilie hinausgehen, zeigt unsere empirische Analyse, dass die identifizierten Designs die Genauigkeit von GNNs auf synthetischen und realen Netzwerken mit Heterophilie um bis zu 40 % und 27 % erhöhen und gleichzeitig wettbewerbsfähige Leistungen unter Homophilie erzielen.