Entity Alignment (EA) zielt darauf ab, äquivalente Entitätspaare zwischen Knowledge Graphs (KGs) zu identifizieren, was der zentrale Schritt zur Verbindung und Integration mehrerer Quellen von KGs darstellt. In diesem Paper argumentieren wir, dass bestehende GNN-basierte EA-Methoden die inhärenten Nachteile ihrer neuronalen Netzwerk-Abstammung übernehmen: schlechte Skalierbarkeit und geringe Interpretierbarkeit. Angeregt durch kürzliche Studien, überarbeiten wir den Label Propagation-Algorithmus, um ihn effektiv auf KGs anwenden zu können, und stellen einen nicht-neuralen EA-Framework namens LightEA vor, der aus drei effizienten Komponenten besteht: (i) Random Orthogonal Label Generation, (ii) Three-view Label Propagation und (iii) Sparse Sinkhorn Iteration. Auf der Grundlage umfangreicher Experimente an öffentlichen Datensätzen zeigt LightEA beeindruckende Skalierbarkeit, Robustheit und Interpretierbarkeit. Mit lediglich einem Zehntel der Rechenzeit erreicht LightEA Ergebnisse, die mit den besten aktuellen Methoden vergleichbar sind, und übertrifft diese sogar auf vielen Datensätzen.