Las redes neuronales gráficas basadas en transformadores han logrado logros notables al utilizar el mecanismo de autoatención para el paso de mensajes en varios dominios. Sin embargo, los métodos tradicionales pasan por alto la diversa importancia de las representaciones intra-nodo, centrándose únicamente en las interacciones entre nodos. Para superar esta limitación, proponemos un DAG (Dual Attention Graph), un enfoque novedoso que integra tanto la dinámica intra-nodo como la inter-nodo para tareas de clasificación de nodos. Al considerar el proceso de intercambio de información entre nodos de ramas duales, DAG proporciona una comprensión holística de la propagación de información dentro de los grafos, mejorando la interpretabilidad de las aplicaciones de aprendizaje automático basadas en grafos. Las evaluaciones experimentales demuestran que DAG sobresale en tareas de clasificación de nodos, superando a los modelos de referencia actuales en diez conjuntos de datos.