メッセージ・パスング・ニューラルネットワーク（MPNNs）はグラフ学習タスクで広く使用されていますが、情報交換の範囲が制限され、各ラウンドのメッセージ伝達において隣接ノードに限定されるという問題を抱えています。これらの制限に対処するため、様々な戦略が提案されており、その一つとして仮想ノードを導入して全体的な情報交換を促進することが挙げられます。本研究では、元のグラフを再帰的に粗粒化することによって生成される仮想ノード概念の拡張版である階層サポートグラフ（HSG）を紹介します。この手法は特定のMPNN層に依存せずにグラフ内の情報流れを強化する柔軟なフレームワークを提供します。私たちはHSGの理論解析を行い、経験的な性能を調査し、HSGが仮想ノードを使用した他の方法よりも優れた結果を示し、複数のデータセットにおいて最先端の成果を達成できることを実証しました。