Grafenstrukturierte Daten treten in Bereichen wie Chemie, semantische Analyse natürlicher Sprache, soziale Netzwerke und Wissensbasen häufig auf. In dieser Arbeit untersuchen wir Merkmalslernverfahren für grafenstrukturierte Eingaben. Ausgangspunkt unserer Arbeit ist die frühere Forschung zu Graph Neural Networks (Scarselli et al., 2009), die wir dahingehend modifizieren, dass wir gatable rekurrente Einheiten und moderne Optimierungstechniken einsetzen, und anschließend auf die Generierung von Ausgabefolgen erweitern. Das Ergebnis ist eine flexible und breit anwendbare Klasse neuronaler Netzwerke, die gegenüber rein sequenzbasierten Modellen (z. B. LSTMs) bei graphenstrukturierten Problemen günstige induktive Voreingenommenheiten aufweist. Wir demonstrieren die Fähigkeiten unseres Ansatzes anhand einfacher Aufgaben aus dem Bereich der künstlichen Intelligenz (bAbI) sowie aus dem Bereich des Lernens von Graphenalgorithmen. Anschließend zeigen wir, dass das Modell bei einer Aufgabe aus dem Bereich der Programmverifikation eine state-of-the-art-Leistung erzielt, bei der Teilgraphen mit abstrakten Datenstrukturen übereinstimmen müssen.