تُضمن الشبكات العصبية التلافيفية الرسومية (GCNs) العقد في الرسم البياني ضمن الفضاء الإقليدي، وقد أُظهر أن هذا التضمين يسبب تشويهاً كبيراً عند تمثيل الرسومات الحقيقية التي تمتلك هيكلًا ذاتيًا (scale-free) أو هرميًا. وتوفر الهندسة الزائدية (Hyperbolic geometry) بديلاً مثيرًا، إذ تتيح تمثيلًا بتشويه أقل بكثير. ومع ذلك، فإن توسيع GCNs لتشمل الهندسة الزائدية يواجه عدة تحديات فريدة، إذ لا تزال غير واضحة طريقة تعريف عمليات الشبكة العصبية، مثل التحويل المميزي والدمج، في الفضاء الزائد. علاوة على ذلك، وبما أن الميزات الإدخالية غالبًا ما تكون إقليدية، فإن طريقة تحويل هذه الميزات إلى تمثيلات زائدية ذات انحناء مناسبة لا تزال غير محددة. في هذا العمل، نقترح شبكة عصبية تلافيفية رسومية زائدية (HGCN)، وهي أول شبكة تلافيفية رسومية مُستقلة (inductive) زائدية، تُوظف قوة التعبير الخاصة بـ GCNs والهندسة الزائدية معًا لتعلم تمثيلات عقدية استنتاجية للرسومات ذات البنية الهرمية أو ذاتية. نُشتق عمليات GCN في نموذج الهيبولويد (hyperboloid model) للهندسة الزائدية، ونُحول الميزات الإدخالية الإقليدية إلى تمثيلات في الفضاءات الزائدية، مع انحناء قابل للتدريب في كل طبقة. تُظهر التجارب أن HGCN تتعلم تمثيلات تحافظ على البنية الهرمية، وتحسّن الأداء مقارنة بالنسخ الإقليدية، حتى مع تمثيلات ذات أبعاد منخفضة جدًا: مقارنة بأفضل الشبكات الحالية من نوع GCN، تحقق HGCN تقليلًا في الخطأ يصل إلى 63.1% في مقياس ROC AUC لتنبؤ الروابط، وصولاً إلى 47.5% في مقياس F1 لتصنيف العقد، كما تحسّن الأداء القياسي على مجموعة بيانات Pubmed.