In dieser Arbeit zeigen wir, dass einfache Rauschregularisierung eine effektive Methode sein kann, um das Oversmoothing von GNNs (Graph Neural Networks) zu bekämpfen. Zunächst argumentieren wir, dass Regularisierungen, die Oversmoothing angehen, sowohl die Ähnlichkeit der latenten Knotendarstellungen strafen als auch sinnvolle Knotendarstellungen fördern sollten. Aus dieser Beobachtung leiten wir "Rauschende Knoten" (Noisy Nodes) ab, eine einfache Technik, bei der wir den Eingabegraph mit Rauschen verzerren und einen knotenbasierten Verlust zur Korrektur des Rauschens hinzufügen. Der vielfältige knotenbasierte Verlust fördert die latente Knotenvielfalt, und das Denoising-Objektiv fördert das Lernen von Graph-Manifolds. Unser Regularisierungsansatz wendet gut untersuchte Methoden auf einfache und direkte Weise an, was es sogar generischen Architekturen ermöglicht, Oversmoothing zu überwinden und Spitzenleistungen in Quantenchemieaufgaben zu erzielen sowie die Ergebnisse auf den Datensätzen des Open Graph Benchmarks (OGB) erheblich zu verbessern. Unsere Ergebnisse deuten darauf hin, dass "Rauschende Knoten" als ergänzendes Bauteil im GNN-Toolset dienen können.