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 일변량 활성화 함수를 학습하는 특징을 활용하여 ITE 추정의 정확도를 향상시킵니다. KANITE는 적분 확률 측정(IPM) 아키텍처와 엔트로피 균형(EB) 아키텍처라는 두 가지 주요 아키텍처로 구성됩니다. IPM 아키텍처는 특수한 방식으로 IPM 손실을 사용하여 다중 처리에 걸쳐 ITE 추정을 효과적으로 정렬하고, EB 아키텍처는 처리 그룹 간의 공변량 균형을 맞추는 엔트로피를 최적화하여 학습된 샘플 가중치를 사용합니다. 벤치마크 데이터셋에 대한 광범위한 평가 결과, KANITE는 $\epsilon_{\text{PEHE}}$ 및 $\epsilon_{\text{ATE}}$ 측정 기준에서 최첨단 알고리즘을 능가하는 것으로 나타났습니다. 실험 결과는 다양한 응용 분야에서 인과 추론 방법론을 발전시키는 KAN의 잠재력을 강조하며, KANITE가 개선된 인과 추정을 달성하는 데 장점이 있음을 보여줍니다.
