Durch die Nutzung der Graphenstruktur sind Graph Neural Networks (GNN) zu einem nützlichen Modell für graphenbasierte Datensätze geworden. Obwohl allgemein angenommen wird, dass GNNs grundlegende Neuronale Netze übertrifft, zeigen jüngere Forschungsergebnisse, dass Neuronale Netze für bestimmte Datensätze sogar besser abschneiden. Eine der Hauptursachen für die Leistungseinbuße von GNNs ist die Heterophilie, und zahlreiche Modelle wurden vorgeschlagen, um diesem Problem entgegenzuwirken. Darüber hinaus wird oft inhärente Information in der Graphenstruktur übersehen, wie beispielsweise die Kantenrichtung. In dieser Arbeit stellen wir GNNDLD vor, ein Modell, das die Kantenrichtung sowie die Labelverteilung in der Umgebung eines Knotens auf unterschiedlichen Nachbarschaftsebenen (hop-weise) nutzt. Wir kombinieren Merkmale aus allen Schichten, um sowohl niedrigpass- als auch hochpassfrequente Komponenten eines Knotens zu bewahren, da verschiedene Schichten von neuronalen Netzen unterschiedliche Informationsarten liefern. Zudem trennen wir die Operationen zur Aggregation und Transformation von Knotenmerkmalen, um Überglättung (Oversmoothing) zu vermeiden. Durch die Kombination all dieser Konzepte präsentieren wir ein einfaches, jedoch äußerst effizientes Modell. Experimente an sechs Standard-Datensätzen aus der realen Welt belegen die Überlegenheit von GNNDLD gegenüber den aktuellen Stand der Technik sowohl in homophilen als auch in heterophilen Szenarien.