我々は、AMR解析を入力シーケンスと段階的に構築されるグラフに対する連続する二重意思決定の連鎖として扱う新たなエンド・トゥ・エンドモデルを提案する。各時刻において、モデルは複数回のアテンション、推論、構成処理を実行し、以下の二つの重要な問いに答えることを目的とする：（1）入力シーケンスのどの部分を抽象化すべきか；（2）出力グラフのどの位置に新しい概念を構築すべきか。本研究では、これらの二つの問いに対する回答が互いに因果関係を持つことを示す。この相互因果性を捉えるために、反復的推論に基づくモデルを設計した結果、両側面においてより優れた回答が得られ、解析精度が著しく向上した。実験の結果、従来報告されたすべての \textsc{Smatch} スコアを大きく上回る性能を達成した。特に注目すべきは、大規模な事前学習言語モデル（例：BERT）を一切使用せずに、既存のBERTを用いた最先端手法をすでに上回っていることである。BERTを活用することで、LDC2017T10（AMR 2.0）では80.2％、LDC2014T12（AMR 1.0）では75.4％という、新たな最先端のスコアを達成した。