연구진은 오픈숍 스케줄링 문제(OSSP)를 풀기 위해 멀티헤드 어텐션 기반의 인코더-디코더 Transformer 스케줄링 정책을 제안했다. 처리시간 행렬만 입력으로 사용해 Taillard 벤치마크(4x4~10x10)로 학습했고, 재학습 없이 40x40~100x100 대규모 인스턴스에 적용했다. 대규모 문제에서 표준 하한 대비 평균 12.89~15.12%의 격차를 보였으며, SPT·LPT를 크게 앞서고 EST와는 근소한 차이로 경쟁력을 유지했다. 작은 인스턴스로 학습한 정책이 훨씬 큰 문제로 일반화됨을 보여, 별도 튜닝이 많이 필요한 고전 디스패칭 규칙의 가벼운 학습형 대안이 될 수 있음을 시사한다.

• •인코더-디코더 + 멀티헤드 어텐션 Transformer로 OSSP 스케줄링 정책 구성, 입력은 처리시간 행렬만 사용
• •Taillard 벤치마크(4x4~10x10)로 학습 후 재학습 없이 40x40~100x100 대규모 인스턴스에 적용
• •대규모 인스턴스에서 표준 하한 대비 평균 12.89~15.12% 격차 달성
• •SPT·LPT 대비 크게 우수하고 EST와는 근소한 차이로 경쟁력 유지
• •소규모 학습 정책의 대규모 일반화 입증, 고전 디스패칭 규칙의 가벼운 학습형 대안 제시