Dise Arbeit stellt neue Ansätze für das maschinelle Lernen auf unregelmäßig strukturierten Eingabedaten wie Graphen, Punktwolken und Mannigfaltigkeiten vor. Insbesondere löst sich diese Arbeit von der Beschränkung konventioneller Deep Learning-Techniken auf reguläre Daten und bietet Lösungen für den Entwurf, die Implementierung und die Skalierung von Deep Learning-Methodiken auf Graphen an, bekannt als Graph Neural Networks (GNNs). Wir analysieren die Beziehung von GNNs zu traditionellen Verfahren des Deep Learnings und der Graph-Theorie, entwickeln skalierungsfähige GNN-Lösungen und stellen die PyG-Bibliothek für die effziente Realisierung von GNNs vor.