본 논문은 다수 그래프에서 대응하는 노드를 식별하는 그래프 정렬 문제를 다룬다. 기존의 비지도 학습 기반 방법들은 노드 특징을 잠재 표현으로 임베딩하여 그라운드 트루스 대응 관계 없이 그래프 간 비교를 수행하지만, GNN 기반 임베딩의 과도한 스무딩으로 인한 노드 독립성 저하와 구조적 노이즈, 특징 이질성, 학습 불안정성으로 인한 잠재 공간의 불일치 문제를 겪는다. 본 논문에서는 노드 독립성을 향상시키고 잠재 공간 간 기하학적 일관성을 강화하는 새로운 그래프 정렬 프레임워크를 제안한다. 저주파 및 고주파 스펙트럼 필터를 결합한 이중 통과 인코더를 사용하여 구조 인식적이고 고차원적으로 구별되는 임베딩을 생성하고, 기하 인식 기능 맵 모듈을 통합하여 그래프 임베딩 간의 전단사적이고 등거리적인 변환을 학습함으로써 서로 다른 표현 간의 일관된 기하학적 관계를 보장한다. 다양한 사전 학습 모델을 사용한 비전-언어 벤치마크에 대한 포괄적인 평가를 통해 제안된 프레임워크가 그래프 영역을 넘어 일반화되어 비지도 학습 방식으로 비전 및 언어 표현의 정렬을 가능하게 함을 보여준다.
