ニューラル組合せ最適化（NCO）は、従来のヒューリスティックベースの手法に代わる有望な方法として、複雑なグラフ最適化問題の解決に向けて注目を集めています。NCOは、データから学習することでヒューリスティックを自動的に獲得するアプローチであり、自動化システムにおける様々な応用例をモデル化する際に活用できます。これまでNCOは確定的な組合せ最適化問題を中心に研究されてきましたが、不確実性を含む確率的組合せ最適化問題に対応した研究は限定的でした。 本研究で提案されるN(CO)²は、確率的オリエンテーリング問題（SOP）を手作りのヒューリスティックに頼らずに解くための、確率制約付きニューラル組合せ最適化フレームワークです。強化学習（RL）を統合することで、不確実性下での経路選択を最適化し、探索と活用のバランスを効果的に調整します。確率的オリエンテーリング問題とは、不確実な報酬やコストを持つネットワーク内で、複数の候補地点を訪問する最適な経路を決定する問題です。 実験結果は、提案手法が多様なSOPインスタンスに対して優れた汎化性能を示し、その分野の最先端である混合整数線形計画法（MILP）と比較しても競争力のあるパフォーマンスを達成していることを実証しています。このアプローチにより、人手によるヒューリスティック設計の負担を軽減しながら、不確実な環境における適応的で効率的な意思決定を実現することができます。