L'apprentissage des représentations de graphes pour les hypergraphes peut être utilisé pour extraire des motifs associés aux interactions d'ordre supérieur, qui sont cruciales dans de nombreux problèmes du monde réel. Les approches actuelles conçues pour les hypergraphes, toutefois, ne parviennent pas à traiter différents types d'hypergraphes et ne sont généralement pas génériques pour diverses tâches d'apprentissage. En effet, aucun modèle n'était jusqu'à présent disponible pour prédire des hyperarêtes hétérogènes de taille variable. Dans cet article, nous proposons un nouveau réseau neuronal à base d'attention auto-associative, appelé Hyper-SAGNN, applicable aussi bien aux hypergraphes homogènes qu'hétérogènes, quel que soit la taille variable de leurs hyperarêtes. Nous menons des évaluations approfondies sur plusieurs jeux de données, incluant quatre jeux de données standards de réseaux ainsi que deux jeux de données single-cell Hi-C en génomique. Nous démontrons que Hyper-SAGNN surpasse significativement les méthodes de pointe sur des tâches classiques, tout en obtenant des performances remarquables sur une nouvelle tâche baptisée identification d'« outsiders ». Hyper-SAGNN s'avérera utile pour l'apprentissage des représentations de graphes afin de révéler des interactions complexes d'ordre supérieur dans diverses applications.