Récemment, les méthodes de correspondance de graphes profonds (GM) ont suscité un intérêt croissant. Ces approches intègrent de manière end-to-end l’embedding des nœuds, l’apprentissage des affinités entre nœuds et arêtes, ainsi que la résolution finale des correspondances. Un problème central dans le cadre de la correspondance de graphes profonds réside dans la génération d’embeddings consensus pour les nœuds des graphes source et cible, qui soient optimaux pour la tâche de correspondance. En outre, il est également complexe d’intégrer les contraintes discrètes de correspondance un-à-un dans le solveur différentiable des correspondances au sein d’un réseau de correspondance profonde. Pour relever ces défis, nous proposons un nouveau modèle, le Graph Adversarial Matching Network (GAMnet), dédié à la correspondance de graphes. GAMnet intègre simultanément l’embedding adversarial de graphes et la correspondance de graphes au sein d’un réseau end-to-end unifié, visant à apprendre de manière adaptative des embeddings cohérents en distribution et invariants par rapport au domaine, spécifiquement pour les tâches de correspondance de graphes. De plus, GAMnet exploite une optimisation de correspondance de graphes creuse (sparse GM) comme solveur de correspondances, qui est différentiable et permet de prendre en compte approximativement les contraintes discrètes de correspondance un-à-un de manière naturelle dans la prédiction finale de correspondance. Les résultats expérimentaux sur trois benchmarks publics démontrent l’efficacité et les avantages du GAMnet proposé.