Graph Neural Networks (GNNs) haben sich bei graphbasierten Analysaufgaben als vorteilhaft erwiesen. Allerdings gehen die meisten bestehenden Methoden von einer Homogenitätsannahme aus und zeigen eine schlechte Leistung auf heterophilen Graphen, bei denen benachbarte Knoten unterschiedliche Merkmale und unterschiedliche Klassenlabels aufweisen, und semantisch verwandte Knoten sich möglicherweise über mehrere Sprünge entfernt befinden. Um diese Einschränkung zu überwinden, präsentiert dieser Artikel GraphRARE, einen allgemeinen Rahmen, der auf der Knoten-Relativentropie und tiefem Verstärkungslernen basiert, um die Ausdruckskraft von GNNs zu stärken. Eine innovative Knoten-Relativentropie, die sowohl Knotenmerkmale als auch strukturelle Ähnlichkeit berücksichtigt, wird verwendet, um die gegenseitige Information zwischen Knotenpaaren zu messen. Zudem wird ein auf tiefem Verstärkungslernen basierendes Algorithmus entwickelt, um die Graphtopologie zu optimieren und suboptimale Lösungen zu vermeiden, die durch die Vermischung nützlicher Informationen mit Rauschen von entfernten Knoten verursacht werden können. Dieser Algorithmus wählt informative Knoten aus und entfernt rauschbehaftete Knoten basierend auf der definierten Knoten-Relativentropie. Umfassende Experimente wurden auf sieben realen Datensätzen durchgeführt. Die experimentellen Ergebnisse belegen die Überlegenheit von GraphRARE bei der Knotenklassifizierung sowie die Fähigkeit, die ursprüngliche Graphtopologie zu optimieren.