本論文は、神経ネットワークを用いた組合せ最適化（CO）のための自己教師あり学習（SSL）における主要な課題、すなわち離散的制約を持つ問題を解決することに焦点を当てています。著者たちは、制約付き最適化問題を解決するためのエンドツーエンドの微分可能なフレームワークを設計しました。具体的には、凸幾何学に関する文献からのアルゴリズミックな手法やカラテオドリの定理を活用し、神経ネットワークの出力を実行可能な集合に対応する多面体のコーナーの凸結合に分解します。この方法により、自己教師ありのトレーニングが可能となり、神経ネットワークの出力を実行可能な解に効率的にラウンドすることが保証されます。実験では、基数制約付き最適化において一貫して神経ベースラインを上回る結果を示し、独立集合の発見やマトロイド制約問題など、多様な組合せ最適化タスクへの応用例も提供しています。