Die hochwertigen Knoten-Embeddings, die aus Graph Neural Networks (GNNs) gelernt wurden, wurden bereits in einer Vielzahl von knotenbasierten Anwendungen eingesetzt, wobei einige davon Zustand-des-Kunst-(SOTA)-Leistungen erzielt haben. Bei der Anwendung solcher aus GNNs gelernten Knoten-Embeddings zur Generierung von Graph-Embeddings reicht jedoch die skalare Darstellung der Knoten häufig nicht aus, um die Eigenschaften von Knoten und Graphen effizient zu bewahren, was zu suboptimalen Graph-Embeddings führt.In Anlehnung an das Capsule Neural Network (CapsNet) schlagen wir das Capsule Graph Neural Network (CapsGNN) vor, das das Konzept von Capsules nutzt, um die Schwächen bestehender GNN-basierter Algorithmen für Graph-Embeddings zu überwinden. Durch die Extraktion von Knotenmerkmalen in Form von Capsules kann ein Routing-Mechanismus eingesetzt werden, um wichtige Informationen auf graphweiter Ebene zu erfassen. Dadurch generiert unser Modell für jeden Graph mehrere Embeddings, um die Eigenschaften des Graphen aus unterschiedlichen Perspektiven zu erfassen. Der in CapsGNN integrierte Aufmerksamkeitsmodul ermöglicht es, mit Graphen unterschiedlicher Größe umzugehen und gleichzeitig die kritischen Teile des Graphs gezielt zu fokussieren.Unsere umfassenden Evaluationen an zehn graphenstrukturierten Datensätzen zeigen, dass CapsGNN über eine leistungsfähige Mechanik verfügt, die auf datengetriebene Weise makroskopische Eigenschaften des gesamten Graphen erfasst. Auf mehreren Aufgaben der Graph-Klassifikation übertrifft CapsGNN andere SOTA-Verfahren dank des neuen Ansatzes.