베이지안 최적화 (Bayesian optimization, BO)는 가우시안 프로세스 (Gaussian process, GP)를 대리 모델 (surrogate)로 사용하고 획득 함수 (acquisition function)를 통해 순차적 평가를 안내하여, 최종적으로 전역 최적해 $\mathbf{x}^{\star}$를 찾는 것을 목표로 하는 블랙박스 최적화 (black-box optimization) 분야에서 널리 사용되는 접근 방식입니다. 이러한 목표에 부합하기 위해, 예측 엔트로피 탐색 (Predictive Entropy Search, PES)과 같은 정보 기반 획득 함수는 $\mathbf{x}^{\star}$를 확률 변수로 모델링하고 그 분포의 엔트로피를 줄이려 시도하지만, 전통적인 GP 사후 샘플링 (posterior sampling)을 통해 이 분포를 근사하는 것은 계산 비용이 많이 듭니다. 이러한 한계를 해결하기 위해, 우리는 조건부 확산 모델 (Conditional Diffusion Models, CDMs)을 활용하여 $\mathbf{x}^{\star}$의 분포를 효율적으로 근사하고, CDM을 위한 BO 내재적 훈련 전략을 개발합니다. CDM이 학습한 분포의 구조적 특성에 착안하여, 우리는 순차적 평가를 안내하기 위한 확산 기반 모드 탐색 (Diffusion-based Mode Seeking, DMS)이라 명명된 획득 전략을 추가로 개발합니다. 우리는 CDM이 학습한 분포에 대한 하위 최적성 보장 (sub-optimality guarantee)을 확립하였으며, 광범위한 실험을 통해 DMS가 표준 BO 베이스라인보다 우수한 성능을 보임을 입증합니다.