Récemment, les réseaux de convolution sur graphes (GCN) ont fait preuve d’un grand potentiel pour la tâche d’appariement de graphes. Ils permettent d’intégrer de manière unifiée et end-to-end l’encodage des caractéristiques des nœuds, l’apprentissage de l’affinité par nœud et l’optimisation de l’appariement. Un aspect crucial de l’appariement de graphes réside dans la construction de deux graphes d’appariement. Toutefois, les graphes d’appariement fournis aux réseaux existants de convolution sur graphes sont généralement fixes et indépendants du processus d’appariement, ce qui ne garantit pas leur optimalité pour cette tâche. De plus, les méthodes d’appariement basées sur les GCN utilisent généralement plusieurs couches de convolution sur graphe fondées sur le lissage, dont les opérations de lissage intensives peuvent atténuer les informations discriminantes souhaitées des nœuds. Pour surmonter ces limitations, nous proposons un nouveau réseau d’appariement basé sur l’apprentissage de graphe, nommé GLMNet. GLMNet repose sur trois principaux aspects : (1) l’intégration de l’apprentissage de graphe dans le processus d’appariement, permettant ainsi d’apprendre de manière adaptative une paire de graphes optimaux, spécifiquement conçus pour le problème d’appariement de graphes ; (2) l’emploi d’un module de convolution à affinement de Laplacien afin de générer des représentations de nœuds plus discriminantes ; (3) la conception d’une nouvelle fonction de perte régularisée par contrainte, qui encode efficacement les contraintes d’appariement un-à-un dans l’optimisation. Des expériences menées sur deux benchmarks démontrent l’efficacité de GLMNet ainsi que les avantages apportés par chacun de ses modules principaux.