Maschinelles Lernen nutzt heute vor allem mehrdimensionale tabellarische Informationen zum Training von Modellen. Wie im aktuellen Paper der Deep-Mind Forscher aufgezeigt, reicht das aber nicht mehr aus. Die Umgebungsinformationen, die die genutzten Daten in relevanten Kontext setzen würden, werden nicht mit zum Lernen herangezogen. In diesem Talk möchte ich zeigen wie mittels zusätzlicher "Features" aus Graphdaten bessere Ergebnisse erziehlt werden können, oder direkt Teilgraphen als Eingaben für Modelle genutzt werden können.