本記事では、混合整数線形計画法（MILP）における複雑な最適化問題の解を予測するための新しいフレームワーク「RoME」を提案しています。RoMEは、ドメイン間の問題を専門家に動的に割り当てることができ、モデルはタスクの埋め込みを基にインスタンスをルーティングします。二層の配分ロバスト最適化戦略でトレーニングされており、ドメイン間の変動を緩和すると同時に、ローカルなロバスト性を向上させています。これにより、訓練されたRoMEモデルは、見えないドメインに対する一般化能力を向上させるだけでなく、各ドメイン内での性能向上も実現しています。興味深いことに、三つのドメインで訓練されたRoMEモデルは、五つの異なるドメインで評価した際、平均67.7%の性能向上を示しました。また、初期学習モデルを使用して、MIPLIBという実世界の課題に対しても有意な性能向上が確認され、既存の学習に基づくアプローチよりも高い一般化性能を実証しています。