この記事では、二次計画（QP）ソルバーの計算コストが時間的にクリティカルな設定における適用性を制限するため、グラフニューラルネットワーク（GNN）を用いてアクティブセットを予測する手法を提案しています。このアプローチでは、QPの構造的特性を利用し、それらを二部グラフとして表現することで、効率的なウォームスタートを実現します。実験では、GNNがコールドスタートと比較して反復回数を一貫して削減し、マルチレイヤパーセプトロン（MLP）ベースラインと同等の性能を示しました。また、異なる問題サイズで訓練されたGNNは、未見の次元に対しても効果的に一般化可能であることが確認され、リアルタイムアプリケーションでの最適化を加速する潜在能力が強調されています。