연구진은 업리프트 모델링의 두 가지 과제, 즉 집단 간 유사성을 활용한 판별력 향상과 관찰되지 않은 교란 변수 환경에서의 편향 해소 문제를 해결하기 위해 Cross-Head Attention Uplift Network (CHAUN)과 Robust Adversarial Inverse Propensity Score (RA-IPS) 방법을 제안했어요.
CHAUN은 공유된 특징 임베딩과 교차 헤드 어텐션 메커니즘을 활용하여 치료별 및 통제별 표현을 동적으로 통합하고, RA-IPS는 관찰되지 않은 변수 편향을 완화하기 위해 제약된 불확실성 집합 내에서 역발산 확률 가중치를 적대적으로 최적화해요.
공개 데이터셋과 실제 전자상거래 데이터셋 실험 결과, CHAUN은 기존 업리프트 모델보다 우수한 성능을 보였고, QINI 점수에서 최대 25.6% 향상된 결과를 달성했어요.