مستلهمين من النجاح الذي حققته التعلم المقارن على الرسوم البيانية، بدأ الباحثون في استكشاف فوائد التعلم المقارن على الهيبرجرافات. ومع ذلك، تواجه هذه الدراسات القيود التالية في نمذجة العلاقات من الدرجة العالية على البيانات غير المصنفة: (i) تركز هذه الدراسات بشكل رئيسي على تحسين التوافق بين تمثيلات العقد الفردية، مع إهمال اكتشاف السلوك الجماعي الجماعي داخل الهيبرجرافات؛ (ii) تتجاهل معظمها الأهمية الحاسمة لمؤشر درجة الحرارة في التمييز بين أزواج التعلم المقارن أثناء عملية التحسين. ولحل هذه القيود، نقترح إطارًا جديدًا لتعلم المقارنة على الهيبرجرافات بمستويين مزدوجين مع درجة حرارة تكيفية (HyGCL-AdT) لتعزيز التعلم المقارن على الهيبرجرافات. وبشكل خاص، على عكس معظم الدراسات التي تركز فقط على تعظيم التوافق بين تمثيلات العقد في الهيبرجرافات، نقترح آلية مقارنة ثنائية المستوى تُميّز بين سلوك العقد الفردية في السياق المحلي، وتمدّل أيضًا السلوك الجماعي للعقد داخل الهيبرحواف من منظور جماعي. علاوة على ذلك، صممنا آلية تحسين مقارنة مدعومة بدرجة حرارة تكيفية لتحسين قدرة التمييز بين أزواج التعلم المقارن. وقد أظهرت التجارب التجريبية على سبعة هيبرجرافات معيارية فعالية ممتازة لـ HyGCL-AdT مقارنةً بنماذج الأساس الرائدة في المجال. يُمكن الاطلاع على الشفرة المصدرية عبر الرابط التالي: https://github.com/graphprojects/HyGCL-AdT.