In letzter Zeit haben tiefe Graphenübereinstimmungsmethoden (Deep Graph Matching, GM) zunehmend an Aufmerksamkeit gewonnen. Diese Methoden integrieren in einer end-to-end-Weise die Einbettung von Graphenknoten, die Lernung von Knoten- und Kantenaffinitäten sowie den finalen Korrespondenzlöser. Ein zentrales Problem bei der tiefen Graphenübereinstimmung ist die Erzeugung konsistenter Knoteneinbettungen für Quell- und Zielgraphen, die optimal für die Aufgabe der Graphenübereinstimmung geeignet sind. Zudem stellt die Einbindung der diskreten ein-zu-eins-Zuordnungsbeschränkungen in den differenzierbaren Korrespondenzlöser innerhalb eines tiefen Übereinstimmungsnetzwerks eine erhebliche Herausforderung dar. Um diese Probleme zu bewältigen, schlagen wir ein neuartiges Graph Adversarial Matching Network (GAMnet) für die Graphenübereinstimmung vor. GAMnet integriert gleichzeitig graphenbasierte adversarielle Einbettung und Graphenübereinstimmung in einem einheitlichen, end-to-end-fähigen Netzwerk, das darauf abzielt, adaptiv verteilungskonsistente und domänenspezifische Einbettungen für GM-Aufgaben zu lernen. Darüber hinaus nutzt GAMnet eine spärliche GM-Optimierung als Korrespondenzlöser, die differenzierbar ist und die diskreten ein-zu-eins-Zuordnungsbeschränkungen im finalen Übereinstimmungsergebnis nahtlos approximativ berücksichtigen kann. Experimentelle Ergebnisse auf drei öffentlichen Benchmarks belegen die Wirksamkeit und Vorteile des vorgeschlagenen GAMnet.