L’une des opérations les plus critiques dans les réseaux de neurones sur graphes (GNN) est l’opération d’agrégation, dont l’objectif est d’extraiter des informations provenant des voisins d’un nœud cible. Plusieurs méthodes de convolution ont été proposées, telles que la convolution graphique standard (GCN), l’attention graphique (GAT) et le passage de messages (MPNN). Dans cette étude, nous proposons une méthode d’agrégation appelée Multi-Mask Aggregators (MMA), dans laquelle le modèle apprend un masque pondéré pour chaque opérateur d’agrégation avant de collecter les messages des voisins. MMA présente des similarités avec GAT et MPNN, tout en offrant des avantages théoriques et pratiques. Intuitivement, notre cadre n’est pas limité par le nombre de têtes comme dans GAT, et il offre une capacité discriminative supérieure à celle de MPNN. Les performances de MMA ont été comparées aux méthodes de référence bien établies sur des tâches de classification de nœuds et de régression sur graphes, sur des jeux de données standards largement utilisés, et les résultats montrent une amélioration significative. Les données et le code sont disponibles à l’adresse suivante : https://github.com/asarigun/mma.