Kürzlich haben Graph-Convolutional Networks (GCNs) erhebliches Potenzial für die Aufgabe der Graphenübereinstimmung (Graph Matching) gezeigt. Sie können die Einbettung von Knotenmerkmalen, die lernbasierte Erfassung der Affinität zwischen Knoten und die Optimierung der Übereinstimmung in einem einheitlichen, end-to-end-fähigen Modell integrieren. Ein wesentlicher Aspekt der Graphenübereinstimmung ist die Konstruktion zweier Übereinstimmungsgraphen. Allerdings sind die Übereinstimmungsgraphen, die bisher in graphenbasierten Faltungsnetzwerken für die Übereinstimmung eingesetzt werden, in der Regel fest und unabhängig von der eigentlichen Übereinstimmungsaufgabe, wodurch nicht garantiert ist, dass sie optimal für die Aufgabe der Graphenübereinstimmung sind. Zudem verwenden bestehende GCN-basierte Methoden mehrere allgemeine, glättungsorientierte graphenbasierte Faltungsoperationen zur Generierung von Knoteneinbettungen, wobei die umfangreichen Glättungsschritte die gewünschten differenzierenden Informationen der Knoten möglicherweise verflachen können. Um diese Probleme zu überwinden, schlagen wir ein neuartiges Graph-Learning-Matching-Netzwerk (GLMNet) für die Aufgabe der Graphenübereinstimmung vor. GLMNet zeichnet sich durch drei zentrale Aspekte aus: (1) Es integriert das Graph-Lernen direkt in den Prozess der Graphenübereinstimmung, wodurch ein Paar optimaler Graphen adaptiv erlernt wird, das die Aufgabe der Graphenübereinstimmung bestmöglich unterstützt. (2) Es verwendet zudem einen Laplace-Scharfungs-Faltungsmodule, um differenziertere Knoteneinbettungen für die Übereinstimmung zu generieren. (3) Es wurde eine neue, konstruktionsbasierte regulierte Verlustfunktion entworfen, die während des Trainings von GLMNet die gewünschten Eins-zu-Eins-Übereinstimmungsbedingungen in der Optimierung berücksichtigt. Experimente an zwei Standardbenchmarks belegen die Wirksamkeit von GLMNet sowie die Vorteile seiner zentralen Module.