この記事では、機械学習の理論的課題である一般化に取り組む新しい手法を提案しています。従来の手法では、推論モデルはエンドツーエンドでトレーニングされ、入力と出力を直接マッピングしますが、これは学習したデータの分布を超えた一般化が制限されることが多いです。本研究では、小さなサブ問題の解空間に対するエネルギーランドスケープを学習し、テスト時に複数のサブ問題のエネルギー関数を組み合わせてグローバルなエネルギーランドスケープを構築します。この合成アプローチにより、推論中に追加の制約を組み込むことができ、難易度の高い問題に対するエネルギーランドスケープを構築できます。また、新たに導入した並行エネルギー最小化（PEM）によって、サンプルの質を向上させることを目指します。評価の結果、提案手法は従来の最先端手法を上回り、より大きく複雑な問題への一般化能力が示されました。