본 논문은 기존의 구성적 신경 조합 최적화(NCO) 방법들이 대규모 문제에 일반화하는 데 어려움을 겪는다는 점을 지적하며, 이를 해결하기 위한 새로운 학습 기반 검색 공간 축소 방법을 제안합니다. 제안하는 방법은 각 단계에서 유망한 후보 노드의 작은 집합을 적응적으로 선택하여 검색 공간을 크게 줄이면서 해의 질을 유지합니다. 기존의 고정된 휴리스틱에 의존하는 방법과 달리, 학습된 패턴에 기반하여 노드의 우선 순위를 동적으로 결정합니다. 실험 결과, 100노드 크기의 균일 분포 데이터로만 학습된 모델이 최대 100만 노드의 균일 분포 TSP 및 CVRP 문제와 다른 분포의 8만 노드 이상의 문제에 대해서도 우수한 일반화 성능을 보임을 확인했습니다.
