관측되지 않은 혼란 변수 하에서 역 성향 점수를 이용한 교차 헤드 어텐션 업리프트 네트워크

개별 처치 효과 (ITE, Individual Treatment Effects)를 추정하는 데 필수적인 업리프트 모델링 (Uplift modeling)은 두 가지 과제에 직면해 있습니다: 변별력을 높이기 위해 그룹 간 유사성을 유연하게 활용하는 것과, 관측되지 않은 혼란 변수 (Unobserved confounding) 시나리오 하에서 편향을 제거하는 것입니다. 본 논문에서는 이러한 한계를 해결하기 위해 교차 헤드 어텐션 업리프트 네트워크 (CHAUN, Cross-Head Attention Uplift Network)와 강건한 적대적 역 성향 점수 (RA-IPS, Robust Adversarial Inverse Propensity Score) 방법을 제안합니다. CHAUN은 공유된 특징 임베딩 (Feature embeddings)과 교차 헤드 어텐션 (Cross-head attention) 메커니즘을 사용하여 처치군 (Treatment-specific) 및 대조군 (Control-specific) 표현을 동적으로 통합함으로써 그룹 간 상관관계 모델링을 강화합니다. 이론적으로, 우리는 실제 성향 점수 (Propensity scores)에 접근할 수 있다면 관측되지 않은 혼란 변수가 있더라도 ITE 식별 가능성 (Identifiability)이 보장됨을 증명합니다. 실제 성향 점수가 부족한 실무 시나리오를 위해, RA-IPS는 제한된 불확실성 집합 (Uncertainty sets) 내에서 성향 가중치 (Propensity weights)를 적대적으로 최적화하여 관측되지 않은 변수로 인한 편향을 완화합니다. 공개 데이터셋 (CRITEO-UPLIFT, LAZADA) 및 실제 이커머스 데이터셋에 대한 실험 결과, CHAUN은 최신 업리프트 모델들보다 우수한 성능을 보였으며 QINI 점수에서 최대 25.6%의 상대적 향상을 달성했습니다. RA-IPS는 강건성을 더욱 향상시켜, 관측되지 않은 혼란 변수 상황에서 표준 IPS보다 5.4% 더 높은 성능을 기록했습니다. 이러한 결과는 실제 인과 추론 (Causal inference) 작업에서 우리가 제안한 방법론의 효과를 입증합니다.