Eine der entscheidenden Operationen in Graph Neural Networks (GNNs) ist die Aggregationsoperation, die darauf abzielt, Informationen aus den Nachbarn eines Zielknotens zu extrahieren. Es wurden mehrere Konvolutionsmethoden vorgeschlagen, darunter die Standard-Graph-Konvolution (GCN), Graph Attention (GAT) und Message Passing (MPNN). In dieser Studie stellen wir eine Aggregationsmethode namens Multi-Mask Aggregators (MMA) vor, bei der das Modell vor der Sammlung benachbarter Nachrichten für jeden Aggregator eine gewichtete Maske lernt. MMA ähnelt sowohl GAT als auch MPNN, verfügt jedoch über theoretische und praktische Vorteile. Intuitiv ist unser Framework nicht durch die Anzahl der Heads von GAT eingeschränkt und weist eine höhere Diskriminativkraft als MPNN auf. Die Leistungsfähigkeit von MMA wurde sowohl in Aufgaben zur Knotenklassifikation als auch zur Graph-Regression anhand weit verbreiteter Benchmark-Datensätze mit etablierten Baseline-Methoden verglichen und zeigte eine verbesserte Leistung. Die Datensätze und Codes sind unter https://github.com/asarigun/mma verfügbar.