グラフマッチングは、二つのグラフ間のノード対応を確立することを目的とする問題であり、そのNP完全性から、長年にわたり基礎的な課題として扱われてきた。実用的な観点から、ノイズの存在下でも有効な類似度関数（affinity function）のモデリングが求められる。これは、数学的に最適なマッチング結果が物理的に意味のあるものとなるようにするためである。本論文では、深層ニューラルネットワークを用いて、ノードおよびエッジの特徴、さらにはグラフマッチングにおける類似度モデルを、エンド・ツー・エンドの形で学習する手法を提案する。この学習は、ノード間の組み合わせ的置換損失（combinatorial permutation loss）によって監督される。具体的には、画像特徴抽出に用いる畳み込みニューラルネットワーク（CNN）、構造的情報を2次以上の高次情報として捉え、ノード単位の特徴に変換するためのグラフニューラルネットワーク（GNN）、および二つのグラフ間の類似度カーネルのパラメータを統合的に学習する。本手法の利点として、置換損失がノード数に依存しない（ノード数に無関係）、かつノード間で埋め込みモデルを共有できるため、学習および推論の両方においてノード数が変動する場合にも柔軟に対応可能であることが挙げられる。さらに、本ネットワークはクラスに依存しない（class-agnostic）特性を持つ。広範なベンチマークデータセットにおける実験結果から、最先端の性能を示す。また、カテゴリやデータセット間での汎化能力に優れ、外れ値に対して堅牢なマッチングが可能であることが確認された。