그래프 신경망(GNN)에서 가장 핵심적인 연산 중 하나는 타깃 노드의 이웃 노드로부터 정보를 추출하는 데 목적이 있는 집계(aggregation) 연산이다. 이를 위해 기존에 표준 그래프 컨볼루션(GCN), 그래프 어텐션(GAT), 메시지 전달(MPNN) 등 다양한 컨볼루션 방법이 제안되어 왔다. 본 연구에서는 각 집계기(aggregator)에 대해 이웃 메시지를 수집하기 전에 가중치 마스크를 학습하는 다중 마스크 집계기(Multi-Mask Aggregators, MMA)라는 새로운 집계 방법을 제안한다. MMA는 GAT과 MPNN과 유사한 구조를 가지나, 이론적 및 실용적인 측면에서 몇 가지 장점을 지닌다. 직관적으로 본 연구의 프레임워크는 GAT의 헤드 수 제한에 얽매이지 않으며, MPNN보다 더 뛰어난 구분 능력을 갖는다. MMA의 성능은 널리 사용되는 벤치마크 데이터셋에서 노드 분류 및 그래프 회귀 작업 모두에서 잘 알려진 기준 모델들과 비교되었으며, 전반적으로 개선된 성능을 보였다. 데이터셋과 코드는 https://github.com/asarigun/mma 에서 제공된다.