Graph-Matching zielt darauf ab, eine Entsprechung zwischen den Knotenmengen gegebener Graphen herzustellen, während die Konsistenz zwischen deren Kantenmengen gewahrt bleibt. In praktischen Szenarien stellen jedoch Ausreißer und die äquivalente Lernung von Kantenrepräsentationen in tiefen Lernmethoden weiterhin Herausforderungen dar. Um diese Probleme anzugehen, präsentieren wir ein Edge Attention-adaptives Graph-Matching-(EAGM)-Netzwerk sowie eine neuartige Beschreibung von Kantenmerkmalen. EAGM transformiert die Übereinstimmungsbeziehung zwischen zwei Graphen in ein Klassifikationsproblem sowohl für Knoten als auch für Kanten über ihrem Zuordnungsgraphen. Um das Potenzial von Kanten voll auszuschöpfen, lernt EAGM auf dem Zuordnungsgraphen Kanten-Attention, um 1) den Einfluss jeder Kante auf das Graph-Matching aufzudecken sowie 2) das Lernen von Kantenrepräsentationen adaptiv anzupassen. Um Probleme, die durch Ausreißer verursacht werden, zu mildern, beschreiben wir eine Kante durch Aggregation semantischer Informationen über den durch die Kante aufgespannten Raum. Diese reichhaltige Information ermöglicht klare Unterscheidungen zwischen verschiedenen Kanten (z. B. Inlier-Inlier-Kanten vs. Inlier-Ausreißer-Kanten), was die Identifizierung von Ausreißern im Hinblick auf ihre zugehörigen Kanten weiter verbessert. Umfangreiche Experimente zeigen, dass EAGM im Vergleich zu aktuellen State-of-the-Art-Methoden eine vielversprechende Übereinstimmungsqualität erzielt – sowohl in Fällen mit als auch ohne Ausreißer. Der Quellcode sowie die Experimente sind unter https://github.com/bestwei/EAGM verfügbar.