El alineamiento de redes es una técnica importante con aplicaciones en diversos dominios, como el análisis de redes sociales, la bioinformática y la construcción de grafos de conocimiento. Muchos de los métodos de alineamiento se basan en nodos de anclaje predefinidos, que a menudo no están disponibles en escenarios del mundo real. Para superar esta limitación, proponemos MANNA (Consistencia de Vecindario Coincidente para el Alineamiento de Redes), un enfoque no supervisado para el alineamiento de redes que explota el concepto de Consistencia de Vecindario Coincidente (MNC). La hipótesis de MANNA es que los nodos con mayor similitud dentro de sus estructuras de vecindario locales tienen más probabilidades de ser alineados en diferentes redes. Para aprender las características estructurales y de atributos de las redes, MANNA utiliza una Red Neuronal de Grafos (GNN). Extrae incrustaciones de nodos de múltiples órdenes para capturar características de vecindario a múltiples escalas, que luego se utilizan para construir matrices de similitud para el proceso de alineamiento. MANNA introduce una innovación clave al utilizar nodos pseudo-ancla identificados por la estrategia MNC para proporcionar señales de aprendizaje auto-supervisadas en ausencia de nodos de anclaje reales. Este enfoque mejora la capacidad del modelo para aprender representaciones precisas de redes y mejorar la precisión del alineamiento. Los resultados del alineamiento se refinan de forma iterativa aplicando la estrategia MNC, lo que fortalece la consistencia de las estructuras de vecindario entre los nodos coincidentes. Experimentos extensos en tres conjuntos de datos públicos muestran que MANNA supera a los métodos de alineamiento de redes existentes.