본 논문은 불확실성 하의 의사 결정 문제를 모델링하는 데 사용되는 Two-stage Stochastic Programming (2SP) 문제를 다룹니다. 다수의 시나리오를 가진 2SP 문제를 해결하는 것은 어렵기 때문에, 대표적인 시나리오를 선택하여 계산 속도를 높이는 방안을 제시합니다. 기존의 방법들이 시나리오 정보를 깊이 있게 통합하지 못하고, 시나리오 순서가 계산 시간에 미치는 영향을 간과하는 문제를 해결하기 위해, 계층적 그래프를 사용하여 각 시나리오를 인코딩하고 관계를 모델링하는 HGCN2SP 모델을 개발했습니다. HGCN2SP는 강화 학습을 사용하여 훈련되며, 계층적 그래프 컨볼루션 네트워크를 통해 특징을 인코딩하고, 어텐션 기반 디코더를 통해 적절한 순서로 시나리오를 선택합니다. 두 가지 2SP 문제에 대한 평가 결과, HGCN2SP는 짧은 계산 시간 안에 고품질의 결정을 제공하며, 훈련 과정에서 보지 못한 대규모 문제에서도 뛰어난 일반화 능력을 보였습니다.
