يمكن استخدام التعلم المبني على تمثيل الرسوم البيانية للرسوم البيانية الفائقة (hypergraphs) لاستخلاص الأنماط المرتبطة بالتفاعلات ذات الرتبة العالية، والتي تُعدّ حاسمة في العديد من المشكلات الواقعية. ومع ذلك، فإن الأساليب الحالية المصممة للرسوم البيانية الفائقة لا تتمكن من التعامل مع أنواع مختلفة من الرسوم البيانية الفائقة، وغالبًا ما تكون غير عامة بالنسبة لمختلف مهام التعلم. بل إن النماذج القادرة على التنبؤ بحواف فائقة متغيرة الحجم ومتعددة الأنواع لم تكن متوفرة حتى الآن. في هذا العمل، نطور شبكة عصبية رسمية قائمة على الانتباه الذاتي تُسمى Hyper-SAGNN، وهي قابلة للتطبيق على الرسوم البيانية الفائقة المتجانسة والمتعددة الأنواع، بحجم حواف فائقة متغير. قمنا بإجراء تقييمات موسعة على عدة مجموعات بيانات، تشمل أربع مجموعات بيانات معيارية للشبكات، وبيانات Hi-C أحادية الخلية اثنتين ضمن مجال الجينوميات. ونُظهر أن Hyper-SAGNN تتفوق بشكل كبير على أفضل الأساليب الحالية في المهام التقليدية، كما تحقق أداءً ممتازًا في مهمة جديدة تُسمى "تحديد الأفراد الخارجيين" (outsider identification). ستُعدّ Hyper-SAGNN أداة مفيدة للتعلم المبني على تمثيل الرسوم البيانية، للكشف عن التفاعلات ذات الرتبة العالية المعقدة في تطبيقات مختلفة.