グラフ対照学習の成功を受けて、研究者たちはハイパーグラフにおける対照学習の利点についても探求を始めている。しかし、これらの研究には、ラベルなしデータにおける高次関係のモデリングにおいて以下の課題がある：(i) ほとんどの研究は、個々のノード埋め込み間の一致を最大化することに焦点を当てており、ハイパーグラフ内におけるノードのグループワイズな集団的行動の捉え方を軽視している；(ii) 対照最適化の過程において、対照ペアを区別する際に温度パラメータ（temperature index）の重要性を無視しているケースが多い。これらの課題を解決するため、本研究では、適応的温度（Adaptive Temperature）を導入した二段階レベルのハイパーグラフ対照学習フレームワーク（HyGCL-AdT）を提案する。具体的には、多数の先行研究がハイパーグラフ内のノード埋め込みの一致最大化にとどまる中で、本研究では、局所的な文脈におけるノードの個別的行動を捉えるとともに、コミュニティの視点からハイパーエッジ内のノード群の集団的行動をモデル化する二段階対照メカニズムを提案する。さらに、対照ペア間の識別能力を向上させるために、適応的温度を用いた強化型対照最適化を設計した。7つのベンチマークハイパーグラフを用いた実証実験の結果、HyGCL-AdTは最先端のベースラインモデルと比較して優れた効果を示した。ソースコードは以下のURLで公開されている：https://github.com/graphprojects/HyGCL-AdT。