그래프 매칭은 주어진 그래프들의 노드 집합 간의 대응 관계를 설정하면서도 엣지 집합 간의 일관성을 유지하는 것을 목표로 한다. 그러나 실용적 환경에서는 이상치(outliers)의 존재와 딥러닝 방법에서 엣지 표현의 동등한 학습이라는 문제들이 여전히 도전 과제로 남아 있다. 이러한 문제를 해결하기 위해 우리는 엣지 주의력 적응형 그래프 매칭(EAGM, Edge Attention-adaptive Graph Matching) 네트워크와 새로운 엣지 특징 표현 방식을 제안한다. EAGM은 두 그래프 간의 매칭 관계를 할당 그래프(assignment graph) 상에서 노드 및 엣지 분류 문제로 변환한다. 엣지의 잠재력을 극대화하기 위해, EAGM은 할당 그래프 상에서 엣지 주의력(edge attention)을 학습하여, 1) 각 엣지가 그래프 매칭에 미치는 영향을 드러내며, 2) 엣지 표현 학습을 적응적으로 조정한다. 이상치로 인한 문제를 완화하기 위해, 우리는 엣지가 구성하는 공간을 기반으로 의미 정보를 집계하여 엣지를 기술한다. 이러한 풍부한 정보는 서로 다른 엣지 간의 명확한 구분(예: 인라이어-인라이어 엣지 vs. 인라이어-아웃라이어 엣지)을 가능하게 하며, 관련된 엣지 관점에서 이상치를 더욱 명확히 식별할 수 있게 한다. 광범위한 실험을 통해 EAGM이 이상치가 존재하는 경우와 없는 경우 모두에서 최신 기법들과 비교하여 뛰어난 매칭 성능을 달성함을 입증하였다. 본 연구의 소스 코드 및 실험 자료는 https://github.com/bestwei/EAGM 에 공개되어 있다.