본 논문은 메시지 전달 그래프 신경망(MPNNs)을 이용한 선형 및 이차 계획 문제(LPs, QPs)에 대한 학습 최적화(L2O) 방법을 다룬다. 기존 L2O 방법은 데이터 부족 환경, 특히 QPs와 같은 복잡한 문제에서 강건성이 부족하다는 한계를 지닌다. 본 연구는 이러한 문제를 해결하기 위해 이론적으로 정당화된 데이터 증강 기법을 이용하여 다양하면서도 최적성을 유지하는 QP 인스턴스를 생성하는 방법을 제시한다. 또한, 대조 학습 기반의 자가 지도 학습 프레임워크에 이러한 증강 기법을 통합하여 MPNNs의 사전 학습을 수행함으로써 L2O 작업의 성능을 향상시킨다. 실험 결과, 제안된 방법이 지도 학습 시나리오에서 일반화 성능을 향상시키고 관련 최적화 문제에 대한 효과적인 전이 학습을 가능하게 함을 보여준다.
