La alineación no supervisada de dos grafos atribuidos encuentra la correspondencia de nodos entre ellos sin ningún enlace de anclaje conocido. Los enfoques basados en transporte óptimo (OT) propuestos recientemente abordan este problema a través de la distancia de Gromov-Wasserstein y el aprendizaje conjunto de las estructuras de los grafos y los atributos de los nodos, lo que logra una mayor precisión y estabilidad en comparación con los métodos anteriores basados en incrustaciones. Sin embargo, sigue siendo en gran medida inexplorado dentro del marco de OT para aprovechar completamente la información tanto de la estructura como de los atributos. Proponemos un método de alineación de grafos basado en transporte óptimo con interacción de atributos y autoentrenamiento (), con las siguientes dos contribuciones. En primer lugar, permitimos la interacción de diferentes dimensiones de atributos de nodos en el proceso de aprendizaje de Gromov-Wasserstein, al mismo tiempo que integramos información estructural de gráficos de múltiples capas y embeber nodos en el diseño del costo intra-gráfico, lo que resulta en un poder más expresivo con garantía teórica. En segundo lugar, la estrategia de autoentrenamiento se integra en el proceso de aprendizaje basado en OT para mejorar significativamente la precisión de la alineación de nodos con la ayuda de predicciones seguras. Los extensos resultados experimentales validan la eficacia del modelo propuesto.