신경망 정책(Neural policies)은 수작업으로 제작된 휴리스틱(heuristics)에 대한 의존도를 낮춤으로써 차량 경로 문제(vehicle routing problems)를 해결하는 데 있어 유망한 가능성을 보여주었습니다. 그러나 현재의 학습 패러다임은 근본적인 한계를 가지고 있습니다. 즉, 솔루션 구축을 위해 주로 다음 노드 예측(next-node prediction)에만 집중하기 때문에, 장기적인 계획 능력을 저해하는 근시안적인 의사결정(myopic decision-making)을 초래한다는 점입니다. 이를 위해, 우리는 지도 학습(supervised learning) 패러다임을 확장하여 여러 개의 미래 노드를 동시에 예측하는 새로운 학습 전략인 다중 노드 앞서보기 예측(Multi-node Lookahead Prediction, MnLP)을 소개합니다. 우리는 학습 과정에서만 독점적으로 작동하는 인과적(causal) 및 폐기 가능한(discardable) MnLP 모듈을 통합하여, 추론 시의 효율성(inference-time efficiency)을 유지하면서도 모델이 다단계 의사결정을 예측할 수 있도록 촉진합니다. 손실 함수(loss function)에 다중 깊이 보조 감독(multi-depth auxiliary supervision)을 통합함으로써, MnLP는 신경망 정책에 장거리 문맥 이해(long-range contextual understanding) 능력을 부여합니다. 실험적으로 MnLP는 기존 학습 방법들을 능가하며, 다양한 문제 규모, 분포 및 실제 벤치마크 전반에서 신경망 정책의 일반화 능력(generalization capability)을 향상시킵니다. 또한, MnLP는 추가적인 추론 오버헤드(inference overhead)를 발생시키지 않고 다양한 신경망 구조(neural architectures)에 원활하게 통합될 수 있습니다.