Graph Neural Networks (GNNs) sind zum faktischen Standardwerkzeug für das Modellieren relationaler Daten geworden. Dennoch werfen die meisten heutigen GNN-Modelle diese Information durch die Vereinfachung des Graphen zu einem ungerichteten Graphen komplett weg, obwohl viele reale Graphen gerichtet sind. Die Gründe dafür sind historischer Natur: 1) Viele frühe Varianten spektraler GNNs erforderten explizit ungerichtete Graphen, und 2) die ersten Benchmarks auf homophilen Graphen zeigten keinen signifikanten Nutzen durch die Verwendung der Richtung. In dieser Arbeit zeigen wir, dass in heterophilen Szenarien die Behandlung des Graphen als gerichtet die effektive Homophilie des Graphen erhöht, was einen potentiellen Nutzen durch die korrekte Nutzung von Richtungsinformationen nahelegt. Zu diesem Zweck führen wir Directed Graph Neural Network (Dir-GNN) ein, ein neues allgemeines Framework für tiefes Lernen auf gerichteten Graphen. Dir-GNN kann verwendet werden, um jedes Message Passing Neural Network (MPNN) so zu erweitern, dass es Informationen über Kantenrichtungen berücksichtigt, indem es getrennte Aggregationen der eingehenden und ausgehenden Kanten durchführt. Wir beweisen, dass Dir-GNN die Ausdrucksstärke des gerichteten Weisfeiler-Lehman-Tests erreicht und damit jene konventioneller MPNNs übertrifft. In umfangreichen Experimenten validieren wir, dass unser Framework zwar die Leistung auf homophilen Datensätzen unverändert lässt, aber zu erheblichen Verbesserungen im Vergleich zu Basismodellen wie GCN, GAT und GraphSage auf heterophilen Benchmarks führt. Dabei übertreffen unsere Methoden viel komplexere Ansätze und erreichen neue Stand-of-the-Art-Ergebnisse.