グラフ構造データは、化学、自然言語意味論、ソーシャルネットワーク、知識ベースなど、さまざまな分野で頻繁に登場する。本研究では、グラフ構造の入力に対する特徴学習技術について検討する。我々の出発点は、グラフニューラルネットワーク（Graph Neural Networks, GNN）に関する先行研究（Scarselli et al., 2009）であり、これをゲート付き再帰ユニット（gated recurrent units）と現代的な最適化手法を用いるように改良した上で、出力シーケンスの生成にまで拡張した。その結果、グラフ構造の問題に対して、純粋なシーケンスベースのモデル（例：LSTM）と比較して優れた誘導的バイアス（inductive biases）を持つ、柔軟かつ広範に有用なニューラルネットワークモデルのクラスが得られた。本モデルの能力は、簡単なAI（bAbI）タスクおよびグラフアルゴリズム学習タスクにおいて実証された。さらに、部分グラフが抽象データ構造と一致する必要があるプログラム検証の問題において、最先端の性能を達成したことを示した。