Das Lernen von Zuordnungen diskreter Objekte stellt eine zentrale Aufgabe im maschinellen Lernen dar, die häufig durch eine kontinuierliche Relaxierung der Zuordnungsstruktur erleichtert wird. Praktische Probleme erfordern jedoch teilweise Zuordnungen aufgrund fehlender Korrespondenzen, was für die derzeit dominierenden Techniken des ein-zu-eins-Zuordnungs-Lernens erhebliche Schwierigkeiten darstellt. In diesem Paper stellen wir Gumbel-IPF-Netzwerke zur Lernung latenter partieller Zuordnungen vor. Im Kern unserer Methode steht ein differenzierbarer, iterativer Proportionalitätsanpassungsprozess (Iterative Proportional Fitting, IPF), der ungleichmäßig auf den Transportpolytop der Zielmarginalverteilungen projiziert. Unser theoretischer Rahmen ermöglicht zudem das Ziehen von Stichproben aus der temperaturabhängigen partiellen Zuordnungsverteilung. Durch die Perspektive der biproportionalen Anpassung untersuchen wir Eigenschaften gängiger Relaxierungsansätze und führen eine neue Metrik, den empirischen Vorhersageversatz (empirical prediction shift), ein. Die Vorteile unseres Ansatzes werden anhand experimenteller Ergebnisse bei der Aufgabe der semantischen Schlüsselpunkt-Zuordnung auf den Datensätzen Pascal VOC, IMC-PT-SparseGM und CUB2001 nachgewiesen.