Die Klassifikation von Graphen ist ein Problem mit praktischen Anwendungen in zahlreichen Domänen. Um dieses Problem zu lösen, berechnet man üblicherweise bestimmte Graph-Statistiken (d. h. Graph-Features), die helfen, Graphen verschiedener Klassen zu unterscheiden. Bei der Berechnung solcher Merkmale verarbeiten die meisten bestehenden Ansätze den gesamten Graphen. Bei einem graphletbasierten Ansatz beispielsweise wird der gesamte Graph verarbeitet, um die Gesamtanzahl verschiedener Graphlets oder Teilgraphen zu ermitteln. In vielen realen Anwendungen sind Graphen jedoch geräuschbehaftet, und diskriminative Muster sind lediglich auf bestimmte Regionen des Graphen beschränkt. In dieser Arbeit untersuchen wir das Problem der auf Aufmerksamkeit basierenden Graphklassifikation. Die Verwendung von Aufmerksamkeitsmechanismen ermöglicht es uns, uns auf kleine, aber informative Teile des Graphen zu konzentrieren, wodurch Rauschen in den übrigen Teilen des Graphen vermieden wird. Wir präsentieren ein neuartiges RNN-Modell, den Graph Attention Model (GAM), das lediglich einen Teil des Graphen verarbeitet, indem es adaptiv eine Folge „informationsreicher“ Knoten auswählt. Experimentelle Ergebnisse auf mehreren realen Datensätzen zeigen, dass die vorgeschlagene Methode trotz der Beschränkung auf einen Teil des Graphen gegenüber verschiedenen etablierten Methoden in der Graphklassifikation wettbewerbsfähig ist.