定义
单个图内部。 实体-属性对是
表示第 i 个实体，
表示这个实体的第 m 个属性，
是一个二值标记，等于1表示它们之间存在有效的"实体内部对应关系"；
跨图的实体对齐。 实体-实体对为
xi 来自第一个图，x~j 来自第二个图，波浪号 ~ 只是用来区分"另一个图里的对象"。其中 yij=1
表示 xi 和x~j 指的是同一个现实世界中的对象；
方法
不确定性建模
对于给定实体 xi ，对每个候选实体j ，模型会产生一个证据值eij 。这个eij 表示：对于" xi 应该和第j 个候选实体匹配"这件事，模型目前积累了多少支持证据。通常有 eij≥0，证据越大，说明模型越倾向于支持这个候选。
接着，作者定义
，防止eij=0导致Qi=0
然后定义"总置信强度"
。可以把它理解为：模型对这个实体 xi 到底掌握了多少整体信息。Qi 越大，说明模型积累的总证据越多；Qi 越小，说明模型掌握的信息越少。
下面再看两个核心量。
第一个是belief mass：
它表示：在所有总强度 Qi 中，有多少比例被分配给" xi 匹配第 j 个候选实体"这个判断。注意这里分子用的是 eij ，不是αij 。这说明belief mass 只统计"额外证据"本身，不把那个人为加进去的1 算作真正的支持信息。
第二个是 uncertainty：
N~ 可以理解为"候选匹配目标个数"。这个式子说明不确定性 与 Qi 成反比。总强度 Qi 越大，不确定性 ui 越小；总强度越小，不确定性越大。
现在来验证为什么有
因为
，
所以
总结：
对于实体xi ，作者不是直接输出"它和谁匹配"的概率，而是先通过证据eij 构造 Dirichlet 分布，再把判断分解为"对各候选的信念" bij 和"整体不确定性" ui 。当证据充足时，信念集中且不确定性低；当证据不足或样本失配时，信念弱且不确定性高。
共识建模
前文的不确定性 uiu_iui 确实有助于识别噪声对应关系，但作者发现：低不确定性并不一定意味着当前实体对齐是对的 。也就是说，模型可能"很自信"，但"自信地错了"。因此，单靠uncertainty 不够，还需要一个额外指标，去判断模型的高置信到底是不是落在真实标注对应上。这个额外指标就是 consensus。
只要总证据很多，Qi 就大，ui 就小。可这些证据可能集中在正确候选上，也可能集中在错误候选上。uncertainty 本身区分不了这两种情况。
对于给定的实体 xi，共识定义为：
++其中 si = [si1, si2, · · · , siN] 表示相似度向量，即实体 xi 和所有候选实体之间的相似度向量。++ max(0, ·) 确保共识是非负的。++yi 是 one-hot向量，只有一个位置是 1，其余位置全是 0 的向量，用来表示"多个类别里只有一个是真的"。++
可是在测试阶段 ，不知道真实匹配对象是谁。既然不知道 yi ，那你就不能直接算这个 ci。
为了解决"测试时没有真实标签"这个问题，作者提出：不用真实标注 yi，而是通过一种基于 marginal contribution（边际贡献）的贪心策略，去估计哪个候选实体才是正确对应。
对于给定的实体 xi ，其第 m个属性的边际贡献定义为
这里的 Δ 表示：把第 m 个属性加入当前属性子集 π 后，整体价值提高了多少。
表示排除第 m 个属性的属性子集 π ，π 是可用属性的完整集合。
接下来最关键的是 value function ，也就是 v(⋅) 到底怎么定义。
- sij 表示第 j 个属性产生的相似度信息；
- 对属性子集 π 里的各属性做平均，得到一个基于这些属性的综合相似度；
- 再在候选实体里选出最相似的那个候选，把这个最大相似度当成 v(π)。
第 m 个属性是否提升了实体 xi 的最佳匹配质量。
如果 Δ>0，说明加了这个属性以后，最优匹配更清晰了、质量更高了；如果 Δ<0，说明这个属性让匹配更模糊了，可能引入了错误干扰。
文中给出的贪心策略是：
其中 π0是初始属性子集，满足
M 表示总属性数，π0 是一个初始子集。作者先从一个"过半"的属性子集开始，然后考察剩余属性：对每个尚未选入的属性 m；如果把它加进当前子集后，value function 提升，那就把它加入最终子集 π∗。这就是一个典型的贪心筛选：谁有正增益，就留下；谁没增益，就丢掉。
Pair Division
作者考虑的是那些满足 yij=1 的inter-graph pairs，也就是"当前标注为匹配"的跨图实体对。换句话说，这些样本在训练数据里都被当作正样本，但作者怀疑其中有些其实带噪声，所以不能一视同仁。因此，他们把这些正样本再细分成三类。
第一类是 noisy portion with high uncertainty，记作
这类样本的特点是 不确定性高 。意思是：模型对这个实体xi 的匹配缺乏足够证据，总体判断不稳定。前面讲过，ui 高通常意味着证据不足，因此这类样本被认为是"不可靠的"，很可能是噪声样本，或者至少是很难判断的样本。
第二类是noisy portion with low consensus，记作
这类样本的特点是：虽然不确定性不高，也就是模型看起来"挺有把握"，但 consensus 低，说明模型当前的高置信并没有落在真实标注对应上。这类样本很危险，因为它们属于"自信但可能错"。所以作者也把它们当作 noisy portion。
第三类是clean portion，记作
这类样本既满足低不确定性，又满足高 consensus。也就是说：模型有足够证据；而且这些证据与标注对应是相一致的。所以这一类才被看作相对干净、可信的样本。
接下来是阈值 βu 和 βc 怎么取。作者想用这两个阈值，把样本分成高 uncertainty、低 consensus、clean 三类。作者不是手工固定，而是做了self-adaptive 设定：
它表示：uncertainty 的阈值取两个值里较小的那个：
- 一个是当前正确样本中最大的 uncertainty，uTP；
- 一个是人为设置的上界 1−β。
- 如果某个样本的 uncertainty 比这个阈值还大，就说明它比"正常预测正确样本里最差的情况"还要更不确定，那它就比较可疑，应该被划进高 uncertainty 集合里。
它表示：consensus 的阈值取两个值里较大的那个：
- 一个是人为设定的下界 β；
- 一个是当前正确样本中最小的 consensus，cTP。
- 如果一个样本的 consensus 连"正确样本里的最低水平"都达不到，或者甚至低于一个基本下界 β，那它就不能被看作可靠。
文中定义：
是在所有 true positive 样本里，取 最大的 uncertainty 。它表示：连那些已经预测对的样本里，最不确定的那个样本，不确定性有多大。
是在所有 true positive 样本里，取 最小的 consensus 。它表示：连那些已经预测对的样本里，共识最低的那个样本，共识值有多小。
并且
表示 true positive pairs 的集合，也就是那些"当前模型预测的最佳候选，恰好等于真实标注"的样本。
稳健的图间差异消除（discrepancy elimination）
作者后面想做一种"跨图表示对齐/差异消除"的训练，让匹配实体在表示空间里更一致、差异更小。但如果某个匹配对本来就很可疑，你再强行把它们往一起拉，可能会把表示空间学坏。
SU 里的样本因为 uncertainty 很高 ，说明模型对这些样本的判断本身就缺乏足够证据，所以作者认为它们是不可靠的 ，直接不让它们参与后续的 discrepancy elimination。
SI 里的样本表面上并不缺证据，模型看起来甚至还挺自信，但 consensus 低，说明模型当前支持的并不是标注对应关系，而可能是别的候选实体。所以它们也不能被简单看作 reliable pairs。
正因为 SU、SI、SC 三类样本的可靠性完全不同，所以作者提出一个 Dually Robust Learning, DRL ，针对这三类样本采用不同的处理策略，从而提高模型对跨图噪声对应关系的鲁棒性。
然后作者给出总体目标函数：
表示总损失由两部分组成。
第一部分是LDR 也就是 dually robust loss 。这是主损失，负责真正实现对不同样本类型的鲁棒学习。
第二部分是 LReg 也就是 regularization loss，正则项。它通常用来约束模型不要学得过于极端、过于自信，或者保持 evidential parameters 的合理性。
- 对于实体 xi ，模型不是直接输出一个固定概率向量，而是输出一个 Dirichlet 分布 D(pi∣αi) 。这里 pi 是一个"随机的类别概率向量"，也就是：
它表示" xi 与每个候选实体匹配的概率分布"。 - αi是这个 Dirichlet 分布的参数，控制它的均值和不确定性。
是欧氏距离平方，也就是均方误差型目标。它衡量的是：从 Dirichlet 分布中取出来的一个概率向量 pi ，与目标y^i相差多远。- 它约束的是 Dirichlet 分布的均值 要接近目标y^i。
其中 y^i 就是 refined label ，也就是"修正后的标签"。ci 是 consensus，表示当前标注对应得到的支持程度。如果样本属于低共识集合SI ，作者就不再直接用原始 one-hot 标签 yi 了，而是把它和模型当前的相似度分布做加权融合。
可以这样理解这个设计：
对 SC 样本，作者说"这类样本大概率是干净的，直接信标签"。
对SI样本，作者说"这类样本标签可能有问题，因此不要全信标签，要让标签和当前模型判断折中一下"。
对 SU样本，作者说"这类样本太不确定，先别拿它训练"。
式 (11) 主要是在鼓励"可靠对应关系"产生更高证据，让预测分布靠近 refined label (式子12)。但它并没有显式保证"那些不相关的候选实体"一定只能产生很少的证据。
于是有式 (13)：
关键就在于
其中 ⊙ 表示逐元素乘法。
比如"极端情况"
当 y^ij=1 时：
目标维直接被置为 1。
当 y^ij=0 时：
非目标维完全保留。
这里的 
是全 1 向量，因此
就是一个均匀 Dirichlet 分布。它对应的语义是：没有额外证据支持任何类别。所以它就是一个"无信息先验"或"无偏先验"。
它是根据当前样本构造出来的"改造版预测分布"，里面保留了非目标类上的证据。
计算它们的KL 散度是指：拿两个概率分布作比较，计算它们有多不一样，并把这个差异当成损失项来优化。这里的意思是让当前这个改造后的 Dirichlet 分布，尽量接近"无额外证据"的均匀先验。
稳健的实体内属性融合
作者前面已经为不同层面的对应关系估计了可靠性，现在就可以把某个属性对应关系的可靠性记为
，然后在实体内部做属性融合时，把这个可靠性当成权重。
测试时对应推理
到了推理时，仍然可能遇到一种困难：**有些属性看起来很像，但其实只是表面相似，它们会干扰真正等价实体的识别。**所以作者又加了一个专门在测试时使用的模块，叫做：Test-time correspondence Reasoning (TTR)，它的目标不是重新训练模型，而是在推理阶段进一步利用属性级对应关系做一次"推理增强"，从而把最终的实体匹配结果修正得更准确。
最终实体匹配分数 = 各个属性相似度分数的加权和。
其中：
作者不满足于直接使用原来的属性相似度 sim ，因为那可能只是浅层匹配结果。于是他们引入了一个 MLLM ，并让它对一组候选属性对应关系做推理。这里的推理不是简单打分，而是让 MLLM 按照 CoT，也就是 Chain-of-Thought，逐步分析。
下面逐个看符号：
表示实体 xi 的第 m个属性。
表示另一张图中第 j 个候选实体的第 m 个属性。- 这里的
含义变成：对于实体 xi 的第 m 个属性，拿它去和另一张图中各个候选实体的第 m 个属性分别比较，得到一组属性级相似度：
表示第 m 个属性下的一组候选对应集合。意思是：作者不会把所有候选都丢给 MLLM 去推理，而是先根据已有的属性相似度 sim，挑出一批最相近的候选对应关系，构成集合
表示把这些候选对应的 CoT 推理结果拼接或汇总起来。最后再经过Softmax(⋅)得到一个归一化后的属性级相似度分布
，再通过式 (15) 和其他属性一起加权融合，形成最终实体相似度 
最后得到联合相似度向量
最终预测的候选实体下标