Cet article propose un cadre d'apprentissage pour résoudre le problème de sélection d'algorithmes pour le problème de clique maximale (MCP). Nous avons appliqué quatre algorithmes MCP précis existants à différentes instances de graphes afin de construire un jeu de données étiqueté et d'extraire des caractéristiques statistiques structurelles et globales de chaque graphe. Nous avons évalué les classificateurs existants, notamment les machines à vecteurs de support (SVM), les forêts aléatoires (RF), les arbres de décision (DT) et les k plus proches voisins (KNN), et constaté que les RF présentaient des performances stables. Sur cette base, nous avons développé GAT-MLP, un modèle à double canal combinant des réseaux d'attention de graphes (GAT) pour le codage structurel local et des perceptrons multicouches (MLP) pour la modélisation des caractéristiques globales. Le modèle GAT-MLP a démontré des performances robustes et constantes sur toutes les métriques, soulignant l'efficacité de l'architecture à double canal et des réseaux de neurones de graphes.
