Graph Neural Networks (GNNs) haben die Darstellungsfähigkeit für graphstrukturierte Daten erheblich verbessert. Trotz des jüngsten Erfolgs von GNNs haben die Graphkonvolutionen in den meisten GNNs zwei Einschränkungen. Da die Graphkonvolution in einem kleinen lokalen Umfeld des Eingraphen durchgeführt wird, ist sie inhärent unfähig, langreichweitige Abhängigkeiten zwischen entfernten Knoten zu erfassen. Zudem beeinflussen aggregierte Nachrichten von Nachbarn, die verschiedenen Klassen angehören (d.h. Heteropholie), oft negativ das Lernen von Darstellungen. Um diese beiden gängigen Probleme der Graphkonvolution zu lösen, schlagen wir in dieser Arbeit deformierbare Graphkonvolutionsnetze (Deformable GCNs) vor, die adaptive Konvolutionen in mehreren latente Räumen durchführen und sowohl kurz- als auch langreichweitige Abhängigkeiten zwischen Knoten erfassen können. Unser Framework lernt gleichzeitig und end-to-end die positionellen Einbettungen der Knoten (Koordinaten), um unabhängig von den Knotendarstellungen (Features) die Beziehungen zwischen den Knoten zu bestimmen. Je nach Knotenposition werden die Konvolutionskerne durch Deformationsvektoren verformt und verschiedene Transformationen auf die Nachbarknoten angewendet. Unsere umfangreichen Experimente zeigen, dass deformierbare GCNs flexibel mit Heteropholie umgehen und in sechs heterophilen Graphdatensätzen die beste Leistung bei Knotenklassifikationsaufgaben erzielen.