Bài báo này đề xuất một khuôn khổ học tập để giải quyết bài toán lựa chọn thuật toán cho bài toán nhóm cực đại (MCP). Chúng tôi đã áp dụng bốn thuật toán MCP chính xác hiện có cho các trường hợp đồ thị khác nhau để xây dựng một tập dữ liệu có nhãn và trích xuất các đặc điểm thống kê toàn cục và cấu trúc từ mỗi đồ thị. Chúng tôi đã đánh giá các bộ phân loại hiện có, bao gồm máy vectơ hỗ trợ (SVM), rừng ngẫu nhiên (RF), cây quyết định (DT) và k-láng giềng gần nhất (KNN), và nhận thấy rằng RF thể hiện hiệu suất ổn định. Dựa trên điều này, chúng tôi đã phát triển GAT-MLP, một mô hình kênh đôi kết hợp các mạng chú ý đồ thị (GAT) để mã hóa cấu trúc cục bộ và các perceptron đa lớp (MLP) để mô hình hóa đặc điểm toàn cục. Mô hình GAT-MLP đã thể hiện hiệu suất mạnh mẽ và nhất quán trên tất cả các số liệu, làm nổi bật hiệu quả của kiến trúc kênh đôi và mạng nơ-ron đồ thị.
