يُعد تطابق الرسوم البيانية المتعددة مهمة بارزة في التنبؤ الهيكلي، حيث يُقيد التسمية المتنبأ بها بفضاء التطابقات المتسقة دوريًا. وعلى الرغم من أن تقليل الخسارة مباشرة هو طريقة فعّالة لتعلم المُتنبئات على فضاءات التسمية الهيكلية، إلا أنها لا يمكن تطبيقها بكفاءة على المشكلة الحالية، نظرًا لكون تنفيذ حلّال مخصص عبر مجموعات من التنبؤات بالتطابق أمرًا مكلفًا حسابيًا. علاوةً على ذلك، لا توجد إشراف على التطابقات الحقيقية (التي تُعرف بالـground-truth) ضمن مجموعات التنبؤات المتسقة دوريًا.إن رؤيتنا الأساسية تكمن في فرض قيود التطابق بشكل صارم في التنبؤات الثنائية للتطابق، وفرض قيود التوافق الدوري بشكل لين من خلال توظيفها كحدود موزونة ضمن دالة الخسارة، بحيث يتم ضبط شدة عدم الاتساق مع التنبؤات الشاملة عبر معامل عقوبة.مستلهمين من طريقة العقوبة الكلاسيكية، نُثبت نظريًا أن طريقةنا تستعيد حلًا مثاليًا لتطابق الرسوم البيانية المتعددة المُقيد.تظهر مزايا طريقتنا بوضوح في النتائج التجريبية على مهمة تطابق النقاط المميزة الشهيرة في مجموعتي بيانات Pascal VOC وWillow ObjectClass.