Este artículo propone un marco basado en el aprendizaje para resolver el problema de selección de algoritmos para el problema de máxima camarilla (MCP). Aplicamos cuatro algoritmos MCP precisos existentes a diversas instancias de grafos para construir un conjunto de datos etiquetados y extraer características estadísticas estructurales y globales de cada grafo. Evaluamos clasificadores existentes, incluyendo máquinas de vectores de soporte (SVM), bosques aleatorios (RF), árboles de decisión (DT) y k-vecinos más cercanos (KNN), y descubrimos que los RF mostraron un rendimiento estable. Con base en esto, desarrollamos GAT-MLP, un modelo de doble canal que combina redes de atención de grafos (GAT) para la codificación estructural local y perceptrones multicapa (MLP) para el modelado de características globales. El modelo GAT-MLP demostró un rendimiento robusto y consistente en todas las métricas, lo que resalta la efectividad de la arquitectura de doble canal y las redes neuronales de grafos.
