تظهر البيانات ذات الهيكل الرسومي بشكل متكرر في مجالات متعددة تشمل الكيمياء، ودلالات اللغة الطبيعية، والشبكات الاجتماعية، وقواعد المعرفة. وفي هذا العمل، ندرس تقنيات تعلّم الميزات المخصصة للمدخلات ذات الهيكل الرسومي. ونبدأ من أعمال سابقة حول الشبكات العصبية الرسومية (Scarselli et al., 2009)، ونقوم بتعديلها لاستخدام وحدات التكرار المُنظَّمة (gated recurrent units) وتقنيات التحسين الحديثة، ثم نوسع نطاقها لدعم إخراج تسلسلات. النتيجة هي فئة مرنة وذات فائدة واسعة من نماذج الشبكات العصبية، تتمتع بانحيازات استنتاجية مُفضّلة مقارنة بالنماذج القائمة بالكامل على التسلسلات (مثل LSTMs) عند التعامل مع المشكلات ذات الهيكل الرسومي. ونُظهر قدرات النموذج على بعض مهام التعلّم البسيطة في الذكاء الاصطناعي (bAbI) ومهام تعلّم الخوارزميات الرسومية. ثم نُبيّن أنه يحقق أداءً متقدماً على مستوى الحد الأقصى (state-of-the-art) في مسألة من مسائل التحقق من البرامج، تتطلب فيها مطابقة فرعية رسومية مع هياكل بيانات مجردة.