Graph Neural Networks (GNNs) haben hervorragende Leistungen bei Graphen gezeigt, die eine starke Homophilie bezüglich der Knotenlabels aufweisen, d. h. verbundene Knoten verfügen über dieselben Labels. Auf heterophilen Graphen hingegen erzielen sie dagegen schlechte Ergebnisse. Relevante Ansätze der jüngeren Vergangenheit haben typischerweise Aggregationsverfahren modifiziert oder adaptive Graph-Filter entworfen, um diese Einschränkung zu überwinden. Dennoch bleibt die Leistung auf heterophilen Graphen oft unzureichend. Wir schlagen eine einfache alternative Methode vor, die die truncated Singular Value Decomposition (TSVD) der topologischen Struktur sowie der Knotenmerkmale nutzt. Unser Ansatz erreicht bis zu etwa 30 % bessere Leistung im Vergleich zu aktuellen State-of-the-Art-Verfahren auf heterophilen Graphen. Diese Arbeit stellt eine frühe Untersuchung von Methoden dar, die sich von aggregationsbasierten Ansätzen unterscheiden. Unsere experimentellen Ergebnisse deuten darauf hin, dass es wichtig sein könnte, alternative Ansätze zu Aggregationsverfahren für heterophile Szenarien zu erforschen.