Die Lernung von Graphendarstellungen für Hypergraphen kann dazu verwendet werden, Muster in höherwertigen Wechselwirkungen zu extrahieren, die für zahlreiche praktische Probleme von entscheidender Bedeutung sind. Derzeit verfügbare Ansätze für Hypergraphen sind jedoch nicht in der Lage, verschiedene Arten von Hypergraphen zu verarbeiten und typischerweise nicht generisch für unterschiedliche Lernaufgaben einsetzbar. Insbesondere fehlen bislang Modelle, die variable, heterogene Hyperkanten vorhersagen können. In dieser Arbeit entwickeln wir ein neuartiges, auf Selbst-Attention basierendes Graphen-Neuronales Netzwerk namens Hyper-SAGNN, das sowohl für homogene als auch für heterogene Hypergraphen mit variabler Hyperkanten-Größe anwendbar ist. Wir führen umfangreiche Evaluierungen auf mehreren Datensätzen durch, darunter vier Benchmark-Netzwerk-Datensätze sowie zwei Einzelzell-Hi-C-Datensätze aus der Genomik. Wir zeigen, dass Hyper-SAGNN die derzeit besten Methoden bei klassischen Aufgaben erheblich übertrifft und zudem hervorragende Leistung bei einer neuen Aufgabe namens „Outsider-Identifikation“ erzielt. Hyper-SAGNN wird für die Lernung von Graphendarstellungen nützlich sein, um komplexe, höherwertige Wechselwirkungen in verschiedenen Anwendungen aufzudecken.