近年、深層グラフマッチング（GM）手法に注目が集まっている。これらの手法は、グラフノードの埋め込み、ノード・エッジの類似度学習、および最終的な対応関係を求めるソルバーを、エンド・ツー・エンドの枠組みで統合している。深層グラフマッチング問題における主要な課題の一つは、ソースグラフおよびターゲットグラフの両方に対して、グラフマッチングタスクに最も適した一貫性のあるノード埋め込みを生成することである。また、深層マッチングネットワークにおいて、微分可能な対応関係ソルバーに離散的な1対1マッチング制約を組み込むことも困難である。この問題に対処するために、本研究ではグラフアドバーシャルマッチングネットワーク（GAMnet）という新たな手法を提案する。GAMnetは、統一的なエンド・ツー・エンドネットワーク内にグラフアドバーシャル埋め込みとグラフマッチングを同時に統合し、GMタスクに適応的に分布整合性とドメイン不変性を持つ埋め込みを学習することを目的としている。さらに、GAMnetはスパースなGM最適化を対応関係ソルバーとして採用しており、微分可能でありながら、最終的なマッチング予測において自然に離散的な1対1マッチング制約を近似的に組み込むことが可能である。3つの公開ベンチマークにおける実験結果から、提案手法の有効性と利点が実証された。