L’appariement de graphes vise à établir une correspondance entre les nœuds de deux graphes, un problème classique de combinatoire qui est en général NP-complet. Jusqu’à récemment, les méthodes d’appariement de graphes basées sur les réseaux profonds ont commencé à recourir à des réseaux neuronaux profonds afin d’atteindre une précision d’appariement sans précédent. Dans cette direction, ce papier apporte deux contributions complémentaires, pouvant également être réutilisées comme modules dans des travaux existants : i) une nouvelle stratégie d’embedding pour les nœuds et les arêtes, inspirée de la stratégie à multi-têtes des modèles d’attention, permettant la fusion indépendante des informations dans chaque canal ; en comparaison, seuls les embeddings de nœuds étaient pris en compte dans les travaux antérieurs ; ii) un mécanisme général de masquage appliqué à la fonction de perte, conçu pour améliorer la régularité de l’apprentissage de l’objectif dans l’appariement de graphes. En utilisant l’algorithme hongrois, notre méthode construit dynamiquement une couche structurée et fortement creuse, en tenant compte des paires d’appariement les plus pertinentes comme une attention rigide. Notre approche obtient des performances compétitives et peut également améliorer les méthodes de pointe actuelles lorsqu’elle est intégrée comme module, en termes de précision d’appariement sur trois benchmarks publics.