密集都市環境におけるC-V2Xネットワークでは、高速なチャネル変動や遮へいにより、車両とインフラ間の直接リンクが劣化しやすい。マルチホップリレーによりカバレッジを回復できるが、リレーリンクの活性化には無線リソース、容量、ルーティングの制約があり、NP困難な最適化問題となる。従来は混合整数線形計画法（MILP）で解かれていたが、グラフサイズが大きくなると実行時間が増大し、NR-V2Xの厳格な低遅延要件を満たせない。
本論文では、エッジ認識学習最適化フレームワークを提案する。V2Xスナップショットを有向グラフとしてモデル化し、ノード特徴に車両状態と交通需要、エッジ特徴に無線リンク容量をエンコードする。オフラインMILPオラクルが生成する最適リレー構成を用いて、エッジ特徴付きグラフ同型ネットワーク（GINE）を教師あり学習する。GINEは単一の順伝搬でエッジレベルのリレー活性化を可能にし、推論遅延は5ミリ秒以内に制約される。
さらに、GINE予測でMILPの探索空間を刈り込むハイブリッドGP-MILP戦略も提案。OSM-SUMO-GEMV$^2$パイプラインで生成した大規模データセットによる実験では、GINEはリンクレベルでMILPと高い一致を示し（正確度0.9589、F1スコア0.9544）、エンドツーエンド接続性は1ホップMILPベースライン比で最大9.2%（RSU4台）および12%（RSU2台）向上した。推論遅延は全インスタンスで5ミリ秒以内。GP-MILPは98%以上のグラフインスタンスでソルバー実行時間を30ミリ秒未満に抑えつつ、MILPと同等の最適解を維持。これにより、MILPグレードの最適化がNR-V2Xの厳格な遅延予算内で実現可能となった。