Viele Herausforderungen aus der natürlichen Welt können als Graph-Matching-Problem formuliert werden. Bisherige auf Deep Learning basierende Methoden betrachteten hauptsächlich den vollständigen Zwei-Graph-Matching-Fall. In dieser Arbeit untersuchen wir das allgemeinere Problem des partiellen Matching mit mehrfachzyklischer Konsistenz über mehrere Graphen. Aufbauend auf neuesten Fortschritten im Bereich des Deep Learning auf Graphen, stellen wir eine neuartige datengetriebene Methode (URL) für das partielle Mehr-Graph-Matching vor, die eine Objekt-zu-Universum-Formulierung nutzt und latente Darstellungen abstrakter Universum-Punkte lernt. Der vorgeschlagene Ansatz stellt einen Fortschritt gegenüber dem Stand der Technik im Bereich der semantischen Keypoint-Matching dar und wurde anhand der Datensätze Pascal VOC, CUB und Willow evaluiert. Zudem zeigen kontrollierte Experimente auf einem synthetischen Graph-Matching-Datensatz die Skalierbarkeit unserer Methode für Graphen mit einer großen Anzahl von Knoten sowie ihre Robustheit gegenüber hoher Partialität.