知識グラフ（KG）は、実世界のエンティティ間の関係および属性をモデル化することで、それらを統合する構造として広く注目されている。異なるKG間の対応するエンティティを特定する「エンティティアライメント」は、学術界および産業界の両方で大きな関心を集めている。しかし、従来のアライメント手法は多くのラベル付きデータを必要とし、マルチモーダルデータを同時に符号化できない上、厳密な一貫性制約をほとんど適用できないという課題を抱えている。本論文では、多言語KGを対象としたエンドツーエンドかつ教師なしのエンティティアライメントフレームワークを提案する。このモデルは、KGデータの豊かさを最大限に活用するため、異なる種類の情報を統合する。関係に基づくエンティティ間の相関を、一貫性制約を満たすように設計された多階層グラフ畳み込みニューラルネットワーク（GCN）モデルによって捉え、属性に基づく相関は翻訳機（translation machine）を用いて表現する。すべての情報を統合するため、後期統合（late-fusion）メカニズムを採用しており、これにより各アプローチが互いに補完し合い、最終的なアライメント精度を向上させるとともに、一貫性違反に対してより高いロバスト性を実現する。実験結果から、本モデルは既存のベースラインと比較して精度が高く、かつ数桁の高速性を達成していることが示された。また、ハイパーパラメータへの感度、ラベル付け作業の削減効果、そして敵対的条件下での耐性についても検証した。