離散的な対象のマッチングを学習することは、機械学習における中心的な課題であり、多くの場合、マッチング構造の連続的緩和によって促進されてきた。しかし、実用的な問題では対応関係の欠落により部分的マッチングが生じるため、最先端技術を支える一対一マッチング学習手法には困難が伴う。本稿では、潜在的な部分的マッチングを学習するためのGumbel-IPFネットワークを提案する。本手法の核となるのは、ターゲット周辺確率の輸送多面体に不均等に射影を行う微分可能な反復比例適合（Iterative Proportional Fitting, IPF）プロセスである。さらに、理論的枠組みにより温度依存の部分的マッチング分布からのサンプリングが可能となる。本研究では、二重比例適合（biproportional fitting）の観点から、従来の実用的緩和手法の性質を検討し、新たな評価指標である「経験的予測シフト（empirical prediction shift）」を導入する。実験結果により、Pascal VOC、IMC-PT-SparseGM、CUB2001の3つのデータセットにおける意味的キーポイント部分マッチングタスクにおいて、本手法の優位性が確認された。