컨텍스트 인식 업리프트 모델링을 위한 두 단계 학습 TSCAN

초록

**
TSCAN은 샘플 선택 편향을 완화하기 위해 1단계에서 IPM·Propensity 정규화를 적용해 가짜 상승 라벨을 생성하고, 2단계에서는 정규화 없이 등소성 출력층으로 직접 uplift를 예측한다. 컨텍스트‑인식 어텐션 레이어를 통해 상점·처리·외부 상황 간 상호작용을 모델링해 다양한 비즈니스 환경에서 개별 효과를 정확히 추정한다. 실험과 실서비스 적용 결과, 기존 7개 베이스라인을 모두 능가하고 실제 매출 증가에 기여하였다.

**

상세 분석

**
본 논문은 온라인 음식 배달 플랫폼에서 상점 진단을 위한 개별 처리 효과(ITE) 추정 문제를 다루며, 두 가지 핵심 난제—샘플 선택 편향과 컨텍스트 의존적 효과—를 동시에 해결하고자 한다. 기존 방법들은 IPM, 재가중치, Propensity Score와 같은 정규화 기법을 사용해 편향을 줄이지만, 이러한 제약은 결과 예측에 필요한 정보까지 억제해 성능 저하를 초래한다는 점을 지적한다. 특히, 정규화가 과도하게 적용될 경우 결과 예측에 유용한 특징이 잠재공간에서 사라지는 현상이 관찰된다(문헌