Im Bereich von Graphen verursachen tiefe Graphen-Netzwerke, die auf Message-Passing-Neural-Networks (MPNNs) oder Graph-Transformern basieren, häufig eine Überglättung der Knotenmerkmale, was ihre Ausdruckskraft einschränkt. Um dieses Problem zu mildern, wurden zahlreiche Upsampling-Techniken vorgeschlagen, die Knoten- und Kantenmanipulationen beinhalten. Diese Ansätze erfordern jedoch oft umfangreiche manuelle Anpassungen und führen häufig zu suboptimalen Leistungen sowie zu einem Fehlen einer universellen Integrationsstrategie. In dieser Studie stellen wir UniGAP vor – eine universelle und adaptive Upsampling-Technik für graphenbasierte Daten. UniGAP bietet einen universellen Rahmen für das Graph-Upsampling und umfasst die meisten aktuellen Methoden als Spezialfälle. Darüber hinaus fungiert UniGAP als plug-in-fähiges Komponente, die nahtlos und adaptiv mit bestehenden GNNs integriert werden kann, um deren Leistung zu steigern und das Problem der Überglättung zu verringern. Durch umfangreiche Experimente zeigt UniGAP signifikante Verbesserungen gegenüber heuristischen Datenverstärkungsmethoden auf verschiedenen Datensätzen und Metriken. Wir analysieren, wie sich die Graphenstruktur mit UniGAP entwickelt, identifizieren Schlüsselengpässe, an denen die Überglättung auftritt, und liefern Einblicke in die Mechanismen, durch die UniGAP dieses Problem adressiert. Schließlich demonstrieren wir das Potenzial der Kombination von UniGAP mit großen Sprachmodellen (LLMs), um die Leistung in nachgeschalteten Aufgaben weiter zu verbessern. Unser Code ist unter folgender Adresse verfügbar: https://github.com/wangxiaotang0906/UniGAP