우리는 대규모 2단계 확률적 혼합정수 프로그램을 풀기 위한 학습 보강 Benders 분해 프레임워크를 제안한다. 우리는 수요 불확실성 하의 2단계 확률적 용량 제약 lot-sizing 문제(TSSCLSP)에 초점을 맞춘다. 우리의 방법은 시나리오 하위 문제(subproblem)에 대한 고품질 근사해를 신속하게 생성하기 위해 사전학습된 TransfORmer 모델을 사용하여 분해의 수렴을 가속화한다. 이 하이브리드 전략은 TransfORmer 예측을 활용해 강력한 최적성 및 실행 가능성 컷(cut)을 생성하여 Benders 마스터 문제를 효과적으로 안내한다. 우리의 프레임워크에는 새로운 확장 가능 생성 메커니즘이 포함되어, 고정된 시간 구간(horizon)에서 학습된 모델이 임의 길이의 인스턴스를 풀 수 있게 한다. 검토한 테스트 세트에서 우리의 방법은 T = 270까지의 인스턴스를 풀며, 이는 기존 접근법으로는 다루기 어려웠던 규모이며, 생성된 하위 문제 해에서 실행 불가능성(infeasibility)을 0으로 유지한다. 이는 고전적 분해 알고리즘 내에 내장된 강력한 대리(surrogate) 솔버로서 TransfORmer의 잠재력을 보여준다.
벤더스 분해는 복잡화 변수가 고정되면 훨씬 더 쉬운 부분문제를 산출하는 대규모 혼합정수 최적화 문제를 풀기 위한 기본 프레임워크이다. 하지만 전통적인 벤더스 분해는 매우 유사한 부분문제를 반복적으로 풀고, 반복 간에 지그재그 수렴 행동을 자주 보이며, 대규모 설정에서 느린 수렴을 초래한다. 벤더스 부분문제의 반복적 구조와 파라미터적 특성에서 동기를 받아, 본 논문은 부분문제 최적화를 반복적 정확 풀이 대신 인증된 최적화 프록시로 대체하는 새로운 분해 프레임워크인 프록시 벤더스 분해(Proxy-BD)를 제안한다. 제안된 프록시는 검증 가능하게 유효한 벤더스 절 생성을 위해 이중 실행 가능 솔루션을 산출하는 자기지도 예측-투영-완성 메커니즘을 따른다. 이 프레임워크는 투영 및 완성 인증 층을 통해 예측 품질과 관계없이 분해의 이론적 타당성을 유지한다. 프록시 유발 절의 형식적 특성화가 확립되며, 이 프레임워크는 분기 및 벤더스 절 알고리즘을 포함한 현대 분해 방식으로 자연스럽게 확장된다. 대규모 시설 입지 및 네트워크 설계 문제에 대한 계산 실험에서 Proxy-BD는 거의 최적인 솔루션 품질을 유지하는 동시에 부분문제의 계산 부담을 크게 줄인다. 최대 2000x2000 규모의 대규모 무용량 시설 입지 인스턴스에서 Proxy-BD는 중앙값 최적성 갭을 0.5% 미만으로 달성하고, 중앙값 속도 향상을 최대 161배 달성하며, 최대 인스턴스에서 생성된 절의 수를 240배 이상 줄인다. 계산 이득은 재결정 복잡도가 증가함에 따라 일관되게 커지며, 이는 대규모 분해 설정에서 프록시 기반 추론이 반복적 정확 부분문제 최적화보다 실질적으로 더 유리하게 스케일링된다는 것을 보여준다.