تمثّل مهارة مطابقة الكائنات المنفصلة مهمة مركزية في التعلم الآلي، وغالبًا ما تُيسّر من خلال تبسيط مستمر للهيكل المطابق. ومع ذلك، فإن المشكلات العملية تتطلب مطابقات جزئية بسبب غياب التوافيق، مما يُشكّل صعوبات أمام تقنيات المطابقة واحد إلى واحد التي تهيمن على أحدث الأداء. يقدّم هذا البحث شبكات Gumbel-IPF لتعلُّم المطابقات الجزئية الخفية. ويتمحور جوهر طريقتنا حول إجراء قابل للتفاضل يُسمّى التكييف التكراري النسبي (Iterative Proportional Fitting - IPF)، الذي يقوم بمشروع غير متناسق على متعدد الوجوه النقلية للحدود المستهدفة. كما يسمح إطارنا النظري بسحب عينات من توزيع المطابقة الجزئية المعتمد على درجة الحرارة. ونستعرض خصائص التبسيطات الشائعة في الممارسة من منظور التكييف الثنائي النسبي، ونقدّم معيارًا جديدًا يُسمّى "انزياح التنبؤ التجريبي". وتُظهر النتائج التجريبية مزايا طريقتنا في مهام مطابقة النقاط الدلالية الجزئية على مجموعات بيانات Pascal VOC وIMC-PT-SparseGM وCUB2001.