في الآونة الأخيرة، أظهرت الطرق القائمة على التعلم العميق نتائج واعدة في مشكلة مطابقة الرسوم البيانية، وذلك من خلال الاعتماد على القدرة الوصفية للسمات العميقة المستخرجة من العقد في الرسوم البيانية. ومع ذلك، يكمن أحد القيود الرئيسية في الطرق الحالية لمحاذاة الرسوم البيانية العميقة (DGM) في إهمالها للقيود الصريحة على هيكل الرسوم البيانية، ما قد يؤدي إلى عُطل النموذج في الحد الأدنى المحلي أثناء التدريب. في هذه الورقة، نقترح صياغة هيكل الرسوم البيانية الزوجية بشكل صريح كقيود تربيعية تُدمج ضمن إطار DGM. تُقلل هذه القيود التربيعية من الفرق الهيكلي بين الأزواج من الرسوم البيانية، مما يُقلل من الغموض الناتج عن الاعتماد فقط على السمات المستخرجة من الشبكات العصبية التلافيفية (CNN).علاوةً على ذلك، نقدّم تنفيذًا قابلاً للتفاضل للتحسين الخاضع لقيود تربيعية، بحيث يكون متوافقًا مع مُحسّنات التعلم العميق غير المُقيّدة. ولإعطاء إشراف أكثر دقة ومناسبة، نقترح خسارة مطابقة خاطئة مصممة بعناية تُعالج عدم التوازن بين الفئات، والتي يمكنها معاقبة المطابقات الخاطئة (السلبيات الكاذبة والإيجابيات الكاذبة) بشكل أفضل مع تقليل احتمال التعلّم الزائد (Overfitting). تُظهر التجارب الشاملة أداءً تنافسيًا لطرقنا على مجموعات بيانات واقعية.