HyperAggregation هي دالة تجميع تعتمد على الشبكات الفائقة (hypernetworks) لمتعددات الرؤوس العصبية (Graph Neural Networks). تستخدم هذه التقنية شبكة فائقة لتوليد الأوزان بشكل ديناميكي حسب حجم الجوار الحالي، والتي يتم استخدامها بعد ذلك لدمج هذا الجوار. يتم تنفيذ هذا التجميع باستخدام الأوزان المولدة بطريقة مشابهة لخلط القنوات في MLP-Mixer ولكن فوق أحياء رأس متغيرة الحجم. نقدم تطبيق HyperAggregation في نموذجين: GraphHyperMixer، وهو نموذج يعتمد على MLP-Mixer، وGraphHyperConv، وهو مستمد من GCN ولكنه يستخدم دالة تجميع تعتمد على الشبكات الفائقة. نقوم بإجراء تجارب على مجموعات بيانات معيارية متنوعة للتصنيف الرأسي، تصنيف متعدد الرؤوس، ومهمات الانحدار الرأسي. تظهر النتائج أن HyperAggregation يمكن استخدامها بكفاءة في مجموعات البيانات المتجانسة وغير المتجانسة في كل من الإعدادات الاستقرائية والاستنباطية. يؤدي GraphHyperConv بشكل أفضل من GraphHyperMixer ويتميز بشكل خاص في الإعداد الاستنباطي. على مجموعة البيانات غير المتجانسة Roman-Empire، يصل إلى مستوى جديد من الريادة. بالنسبة للمهام على مستوى متعدد الرؤوس، فإن نماذجنا تحقق أداءً مماثلاً لنماذج بنفس الحجم تقريبًا. تقوم دراسات الاختزال (ablation studies) بفحص متانة الأداء ضد اختيارات مختلفة للمعلمات الفائقة (hyperparameters). يمكن الحصول على تنفيذ HyperAggregation وكود إعادة إنتاج جميع التجارب من خلال الرابط https://github.com/Foisunt/HyperAggregation .