本稿では、最大クリーク問題（MCP）のアルゴリズム選択問題を解決するための学習ベースのフレームワークを提案します。既存の4つの正確なMCPアルゴリズムをさまざまなグラフインスタンスに適用してラベル付きデータセットを構築し、各グラフから構造的およびグローバルな統計的特徴を抽出しました。サポートベクトルマシン（SVM）、ランダムフォレスト（RF）、意思決定ツリー（DT）、K-近接ネイバー（KNN）などの既存の分類器を評価した結果、RFは安定した性能を示しました。これに基づいて、地域構造エンコーディングのためのグラフアテンションネットワーク（GAT）とグローバル特徴モデリングのための多層パーセプトロン（MLP）を組み合わせたデュアルチャンネルモデルであるGAT-MLPを開発しました。 GAT-MLPモデルは,すべての指標で強力で一貫した性能を示し,二重チャネルアーキテクチャとグラフニューラルネットワークの効果を強調した。
