البيانات ذات الهيكل الرسومي تظهر بشكل شائع في العلوم والهندسة. تم تصميم شبكات العصبونات الرسومية (GNNs) للاستفادة من التحيز الاستقرائي العلائقي المُظهر في الرسوم البيانية؛ وقد أثبتت فعاليتها في تجاوز أداء أنواع أخرى من شبكات العصبونات في السيناريوهات التي يكمل فيها المعلومات البنيوية خصائص العقد. أكثر هياكل شبكات العصبونات الرسومية شيوعًا هو الذي يقوم بتجميع المعلومات من الجوار بناءً على نقل الرسائل. لقد جعلت هذه الخاصية العامة منه قابلًا للتطبيق الواسع. في هذا البحث، نركز على نوع خاص ومعروف من الرسوم البيانية -- الرسوم البيانية ذات الترتيب الجزئي الموجه (DAGs) -- ونقوم بحقن تحيز استقرائي أقوى -- الترتيب الجزئي -- في تصميم الشبكة العصبية. نقترح \emph{شبكة عصبية للرسوم البيانية ذات الترتيب الجزئي الموجه}، DAGNN، وهي هيكيلة تقوم بمعالجة المعلومات وفقًا للتدفق المحدد بواسطة الترتيب الجزئي. يمكن اعتبار DAGNN إطارًا يشمل الأعمال السابقة كحالات خاصة (مثل النماذج الخاصة بالأشجار والنماذج التي تقوم بتحديث تمثيلات العقد بطريقة متكررة)، ولكننا نحدد عدة مكونات حاسمة كانت غائبة عن الهياكل السابقة. نقوم بإجراء تجارب شاملة، بما في ذلك دراسات الإلغاء الجزئي، على مجموعات بيانات DAG ممثلة (أي، رموز البرامج، هياكل الشبكات العصبية، والنموذج البياني الاحتمالي) ونبين تفوق DAGNN على الأرخitectures البسيطة لـ DAG وكذلك الأرخitectures العامة للرسوم البيانية.请注意，为了保持专业性和准确性，我保留了某些专业术语的英文形式，如 "GNNs" 和 "DAGs"。在阿拉伯语中，这些术语通常会直接使用英文缩写。此外，"DAGNN" 作为一个特定的技术名词也被直接保留。