DiBS는 엄격한 이산 제약 아래 전역적 구조 추론이 필요한 스도쿠 같은 제약 충족 문제에서, 완전성(correctness)을 보장하는 기호 솔버를 유지하면서 확산(diffusion) 모델을 분기 순서 안내자로 쓰는 새로운 접근이다. 학습 기반 솔버는 정답 보장이 없고 완전 기호 솔버는 롱테일 탐색에 취약하다는 상호 보완적 한계를 해결하려는 시도다. 핵심은 현재 부분 할당과 경량 일관성 신호를 바탕으로 후보 값의 순위를 매기는 것이며, 작동 원리에 대한 이론적 증명도 제시한다. 어려운 Royle 17-clue 스도쿠 벤치마크에서 강력한 휴리스틱 대비 노드 수·백트래킹·롱테일 백분위에서 탐색 비용을 크게 줄여, 분기 순서 실수의 대가가 가장 큰 난이도 높은 사례에서 학습된 전역 안내가 효과적임을 확인했다.

• •기호 솔버의 완전성은 유지한 채 확산 모델을 분기 순서 안내자로 활용하는 DiBS 제안
• •학습 솔버의 정답 보장 부재와 기호 솔버의 롱테일 탐색 취약성을 동시에 공략
• •부분 할당과 경량 일관성 신호로 후보 값 순위를 매기고 작동 원리를 이론적으로 증명
• •Royle 17-clue 벤치마크에서 노드 수·백트래킹·롱테일 탐색 비용 대폭 감소
• •코드는 GitHub(shanxierdan/DiBS)에 공개