Ce travail présente une architecture neuronale en deux étapes pour apprendre et affiner les correspondances structurelles entre graphes. Premièrement, nous utilisons des embeddings locaux de nœuds calculés par un réseau de neurones sur graphe afin d’obtenir un classement initial de correspondances souples entre nœuds. Deuxièmement, nous employons des réseaux de passage de messages synchrones pour réajuster itérativement ce classement de correspondances souples, afin d’atteindre un consensus d’appariement au sein des voisinages locaux entre graphes. Nous montrons, théoriquement et empiriquement, que notre schéma de passage de messages calcule une mesure fondée du consensus pour les voisinages correspondants, qui est ensuite utilisée pour guider le processus itératif de réajustement du classement. Notre architecture entièrement locale et sensible à la sparsité se généralise efficacement à de grands graphes réels tout en restant capable de retrouver de manière cohérente des correspondances globales. Nous démontrons l’efficacité pratique de notre méthode sur des tâches réelles provenant des domaines de la vision par ordinateur et de l’alignement d’entités entre graphes de connaissances, où elle surpassent l’état de l’art actuel. Le code source est disponible à l’adresse suivante : https://github.com/rusty1s/deep-graph-matching-consensus.