グラフニューラルネットワーク（GNN）における最も重要な操作の一つは、ターゲットノードの隣接ノードから情報を抽出するための集約（aggregation）操作である。これに対して、標準的なグラフ畳み込み（GCN）、グラフアテンション（GAT）、メッセージパッシング（MPNN）など、複数の畳み込み手法が提案されてきた。本研究では、隣接ノードからのメッセージを収集する前に、各アグリゲーターに対して重み付きマスクを学習する新たな集約手法「Multi-Mask Aggregators（MMA）」を提案する。MMAはGATおよびMPNNと類似性を有するが、理論的および実用的な利点を備えている。直感的に言えば、本フレームワークはGATにおけるヘッド数の制約から解放されており、MPNNよりもより高い識別性能を発揮する。MMAの性能は、広く用いられるベンチマークデータセットを用いたノード分類およびグラフ回帰タスクにおいて、代表的なベースライン手法と比較された結果、優れた性能を示した。データセットおよび実装コードは、https://github.com/asarigun/mma にて公開されている。