인과 추론은 치료군과 대조군 간의 균형 잡힌 분포에 대한 모델 평가를 필요로 하지만, 학습 데이터는 과거 의사 결정 정책으로 인해 불균형을 보이는 경우가 많음. 기존의 통계적 방법들은 역 확률 가중치(IPW)를 통해 이 분포 이동을 해결하며, 중간 단계로 성향 점수를 추정해야 함. 이러한 방법은 부정확한 성향 추정 및 극단적인 가중치로 인한 불안정성이라는 두 가지 주요 문제에 직면함. 본 논문은 일반화 오차를 분해하여 성향 모호성 및 통계적 불안정성과 같은 문제를 분리하고, 적대적 손실 함수를 통해 이를 해결함. 이 접근 방식은 성향 불확실성을 처리하기 위한 분포 강건 최적화와 가중 라데마허 복잡성을 기반으로 한 가중치 정규화를 결합함. 합성 및 실제 데이터셋에 대한 실험을 통해 기존 방법보다 지속적인 개선을 보여줌.
