이 포지션 논문은 제약 만족 문제를 위한 신경망 솔버가 분포 내에서는 높은 정확도를 보이지만, 분포가 바뀌면 모델이 높은 확신을 보이면서도 제약 위반을 반복하는 근본적 한계가 있다고 지적한다. 저자들은 하드 제약이 존재하고 검증 비용이 낮은 경우, 신경 제약 추론은 순수 학습보다 기호적 통합을 우선해야 한다고 주장하며, 검증은 다항 시간이지만 풀이는 지수 시간이 걸리는 스도쿠를 대표 사례로 제시한다. 결정론적 알고리즘부터 메타휴리스틱, 학습 기반, 언어 조건부 추론까지 폭넓게 조사한 결과, 인스턴스 수준 인증이 없는 순수 신경망 방식은 기호·신경-기호 접근이 제공하는 증명 가능한 정확성에 이르지 못한다. 이에 신경망이 기호 솔버의 휴리스틱을 학습하고 기호 방법이 신경망 출력을 검증하는 양방향 통합 프레임워크를 제안한다.

• •신경 솔버는 분포 이동 시 높은 확신에도 제약 위반이 지속되는 한계 보유
• •검증은 쉽고 풀이는 어려운 스도쿠를 신경-기호 통합의 대표 사례로 제시
• •결정론적·메타휴리스틱·학습·언어조건부 방법을 폭넓게 비교 조사
• •인스턴스 수준 인증 없는 순수 신경망은 증명 가능한 정확성 미달
• •신경망이 기호 솔버를 보조하고 기호가 신경망을 검증하는 양방향 통합 프레임워크 제안