L’alignement de graphes vise à établir une correspondance entre les ensembles de nœuds de graphes donnés tout en préservant la cohérence entre leurs ensembles d’arêtes. Toutefois, la présence d’éléments aberrants dans les scénarios réels ainsi que l’apprentissage équivalent des représentations d’arêtes dans les méthodes d’apprentissage profond restent des défis importants. Pour relever ces difficultés, nous proposons un réseau d’alignement de graphes adaptatif par attention sur les arêtes (Edge Attention-adaptive Graph Matching, EAGM) ainsi qu’une nouvelle description des caractéristiques d’arêtes. L’EAGM transforme la relation d’alignement entre deux graphes en un problème de classification de nœuds et d’arêtes sur leur graphe d’affectation. Afin d’exploiter pleinement le potentiel des arêtes, l’EAGM apprend une attention sur les arêtes au sein du graphe d’affectation, afin de : 1) révéler l’impact de chaque arête sur l’alignement des graphes, et 2) ajuster de manière adaptative l’apprentissage des représentations d’arêtes. Pour atténuer les effets des éléments aberrants, nous décrivons chaque arête en agrégant l’information sémantique dans l’espace engendré par celle-ci. Cette information riche permet de bien distinguer les différentes arêtes (par exemple, arêtes intra-intra vs. arêtes intra-aberrantes), ce qui permet une identification plus fine des éléments aberrants à travers leurs arêtes associées. Des expériences étendues montrent que l’EAGM atteint une qualité d’alignement prometteuse par rapport aux méthodes de pointe, dans des cas avec et sans éléments aberrants. Le code source ainsi que les expériences sont disponibles à l’adresse suivante : https://github.com/bestwei/EAGM.