في الآونة الأخيرة، أظهرت الشبكات التلافيفية الرسومية (GCNs) إمكانات كبيرة في مسألة مطابقة الرسوم البيانية. حيث تمكن هذه الشبكات من دمج تضمين خصائص العقد، وتعلم التماثل على مستوى العقد، وتحسين عملية المطابقة ضمن نموذج موحد قائم على التعلم المتكامل من البداية إلى النهاية. أحد الجوانب الهامة في مطابقة الرسوم البيانية هو بناء زوج من الرسوم البيانية للمطابقة. ومع ذلك، فإن الرسوم البيانية التي تُقدَّم إلى الشبكات الحالية من نوع التلافيف الرسومي للمطابقة تكون عادة ثابتة وغير مرتبطة بعملية المطابقة نفسها، مما لا يضمن أنها مثالية لمهام مطابقة الرسوم البيانية. علاوة على ذلك، تعتمد الطرق الحالية لـ GCN في مطابقة الرسوم البيانية على عدة طبقات تلافيفية عامة تعتمد على تمهيد (smoothing)، والتي قد تؤدي إلى تباعد المعلومات التمييزية المرغوبة للعقد الرسومية نتيجة لعمليات التمهيد الواسعة النطاق. لتجاوز هذه المشكلات، نقترح شبكة جديدة تُسمى "شبكة التعلم-المطابقة الرسومية" (GLMNet) لحل مسألة مطابقة الرسوم البيانية. تتميز GLMNet بثلاثة جوانب رئيسية: (1) دمج عملية تعلم الرسوم البيانية ضمن عملية مطابقة الرسوم البيانية، مما يسمح لها بتعلم زوج من الرسوم البيانية المثلى تلقائيًا، والتي تخدم أفضل ما يمكن مهمة مطابقة الرسوم البيانية؛ (2) استخدام وحدة تلافيفية مُحسنة باستخدام مصفوفة لابلاس (Laplacian sharpening convolutional module) لاستخلاص تمثيلات أكثر تمييزًا للعقد، مما يعزز كفاءة المطابقة؛ (3) تصميم دالة خسارة جديدة مُحددة بقيود (constraint regularized loss) لتدريب GLMNet، والتي تُشغّل قيود المطابقة الواحدة-إلى-واحدة المطلوبة ضمن عملية التحسين. أظهرت التجارب على معيارين مختلفين فعالية GLMNet، وكذلك المزايا الناتجة عن مكوناتها الرئيسية.