본 논문은 다중 처리 환경에서 개별 처리 효과(ITE) 추정을 위한 콜모고로프-아놀드 네트워크(KAN) 기반 프레임워크인 KANITE를 제안합니다. KAN은 다층 퍼셉트론(MLP)과 달리 선형 가중치 대신 단변량 활성화 함수를 학습하는 독특한 능력을 활용하여 ITE 추정을 개선합니다. KANITE는 적분 확률 메트릭(IPM) 아키텍처와 엔트로피 균형(EB) 아키텍처라는 두 가지 주요 아키텍처로 구성됩니다. IPM 아키텍처는 다중 처리에 걸쳐 ITE 추정에 효과적으로 맞추기 위해 특수한 방식으로 IPM 손실을 사용하고, EB 아키텍처는 처리 그룹 간의 공변량을 균형 있게 하도록 엔트로피를 최적화하여 학습된 샘플 가중치를 사용합니다. 벤치마크 데이터 세트에 대한 광범위한 평가는 KANITE가 $\epsilon_{\text{PEHE}}$ 및 $\epsilon_{\text{ATE}}$ 메트릭에서 최첨단 알고리즘을 능가함을 보여줍니다. 실험 결과는 다양한 응용 분야에서 인과 추론 방법론을 발전시키는 KAN의 잠재력을 강조하며, 개선된 인과 추정을 달성하는 KANITE의 장점을 강조합니다.
