Geleneksel sinir ağları, verilerin tekdüze ve düz bir yapıya sahip olduğu varsayımına dayanır. Ancak gerçek dünyadaki veriler genellikle hiyerarşik bir yapı gösterir; örneğin, farklı hastanelerde yürütülen bir klinik deneme, aynı ilacın farklı hasta demografileri, prosedürler ve kayıt tutma yöntemleri nedeniyle farklı sonuçlar doğurabilir. Bu tür durumlarda, gözlemler ayrı veri kümeleri halinde gruplanır ve her bir küme kendi gizli parametreleri tarafından yönetilir. Girdi-çıktı eşlemesi evrensel değildir, veri kümesine göre değişir.
Standart sinir ağları bu senaryoda yetersiz kalır. Tüm veri kümeleri üzerinde tek bir model eğitmek, farklılıkları bulanıklaştırarak ortalaması alınmaması gereken fonksiyonları birleştirir. Her veri kümesi için ayrı bir model eğitmek ise, özellikle veri kümeleri küçük olduğunda aşırı uyuma (overfitting) yol açar. Statik gömme (embeddings) veya daha büyük ağlar gibi geçici çözümler, temel sorunu çözmez; sonuçları gerçekten yönlendiren veri kümesi düzeyindeki yapıyı modellemeden yalnızca tuhaflıkları ezberlerler.
Hypernetworks, sinir ağlarını veri kümesine uyarlanabilir hale getiren farklı bir yaklaşım sunar. Sabit bir eşleme öğrenmek yerine, bir Hypernetwork, bir veri kümesi gömme (embedding) temelinde başka bir ağın parametrelerini üretmeyi öğrenir. Bu yaklaşım sayesinde model, sadece birkaç noktadan veri kümesi düzeyindeki özellikleri çıkarabilir, yeniden eğitim gerektirmeden tamamen yeni veri kümelerine uyum sağlayabilir ve aşırı uyumu azaltmak için veri kümeleri arasında bilgi havuzu oluşturabilir. Makale, bu modeli adım adım kod örnekleriyle inşa etmeyi, sentetik veriler üzerinde test etmeyi ve Hypernetworks'ü geleneksel sinir ağlarıyla karşılaştırmayı amaçlamaktadır. Ayrıca, Bayesian modellerinin (ikinci bölümde ele alınacak) neden bazen daha iyi sonuçlar verebileceğine dair bir önizleme sunulmaktadır.
Geleneksel sinir ağlarının hiyerarşik veri yapısını ele alma yetersizliğini gidererek, modellerin gerçek dünya karmaşıklığına daha etkin bir şekilde uyum sağlamasını mümkün kılar.