Graphen-Convolutional-Netze (GCNs) werden in zahlreichen graphenbasierten Aufgaben zur Wissensgewinnung aus räumlichen Daten weit verbreitet eingesetzt. In unserer Studie liegt der erste quantitative Ansatz vor, der die Robustheit von GCNs gegenüber allgegenwärtigen heterophilen Graphen für die Knotenklassifizierung untersucht. Wir identifizieren, dass die vorherrschende Anfälligkeit durch ein strukturelles Out-of-Distribution-(OOD)-Problem verursacht wird. Diese Erkenntnis motiviert uns, eine neuartige Methode vorzustellen, die darauf abzielt, GCNs durch automatisches Lernen latenter homophiler Strukturen auf heterophilen Graphen zu verfestigen. Wir bezeichnen dieses Verfahren als LHS (Latent Homophilic Structures). Konkret besteht unser erster Schritt darin, eine latente Struktur mithilfe einer neuartigen selbstausdrückenden Technik zu erlernen, die auf multiplen Knoteninteraktionen basiert. Anschließend wird diese Struktur mittels eines dualen, paarweisen konstruierten, contrastiven Lernansatzes verfeinert. Durch iterative Wiederholung dieses Prozesses ermöglichen wir es dem GCN-Modell, Informationen auf heterophilen Graphen homophilisch zu aggregieren. Mit einer solchen anpassungsfähigen Struktur können wir die strukturellen OOD-Bedrohungen auf heterophilen Graphen effektiv abmildern. Experimente auf verschiedenen Benchmarks belegen die Wirksamkeit des vorgeschlagenen LHS-Ansatzes zur Erzielung robuster GCNs.