Mixup ist eine erweiterte Datenaugmentierungsmethode zur Schulung von neuronale Netzwerk-basierten Bildklassifikatoren, bei der sowohl Merkmale als auch Labels eines Bildpaars interpoliert werden, um synthetische Trainingsbeispiele zu generieren. Die Entwicklung von Mixup-Verfahren für Graphenlernverfahren ist jedoch aufgrund der Irregularität und der Verbindungsdichte von Graphendaten herausfordernd. In dieser Arbeit stellen wir Mixup-Methoden für zwei grundlegende Aufgaben im Graphenlernen vor: Knotenklassifikation und Graphklassifikation. Um die irreguläre Graphtopologie interpolieren zu können, schlagen wir einen zweigeteilten Graphen-Convolution-Ansatz vor, der die Rezeptivfeld-Untergraphen für Paare von Knoten mischt. Die Mixup-Operationen bei verschiedenen Knotenpaaren können sich gegenseitig beeinflussen, da Knoten miteinander verbunden sind. Um diesen Einfluss zu verhindern, entwickeln wir einen zweistufigen Mixup-Framework, das die Darstellungen der Nachbarn jedes Knotens vor der Mixup-Operation für die Graph-Convolutionen nutzt. Bei der Graphklassifikation interpolieren wir komplexe und vielfältige Graphen im semantischen Raum. Qualitativ ermöglichen unsere Mixup-Methoden es GNNs, diskriminativere Merkmale zu lernen und Überanpassung zu reduzieren. Quantitative Ergebnisse zeigen, dass unsere Methode konsistente Verbesserungen in Bezug auf die Testgenauigkeit und die F1-micro-Scores auf Standarddatensätzen sowohl für die Knoten- als auch für die Graphklassifikation erzielt. Insgesamt regularisiert unsere Methode etablierte Graphen-neuronale Netze effektiv zur Verbesserung der Generalisierungsfähigkeit, ohne deren zeitliche Komplexität zu erhöhen.