本研究提出了一种结合神经网络与近似高斯过程的框架，以解决高维空间数据中的因果推断问题。通过泛化倾向得分方法，提升了因果效应估计的精度，尤其在实际案例中，神经网络模型有效预测了因果效应，促进了决策制定。

本文研究了图神经网络和双机器学习方法推断因果效应，提出了广义倾向得分估计器，以评估农业市场政策干预的直接和溢出效应。结果表明，忽略干扰会导致政策有效性评估偏差。此外，提出的新算法DWR有效解决了网络干扰异质性问题，实验结果显示其优于现有算法。

该研究提出了一种新型的政策学习框架，解决了实际场景中正性假设不可行的挑战。通过半参数效率理论建立了增量倾向得分策略的特征和识别条件，并提出了高效估计器，验证了该框架在有限样本情况下的性能。

本研究提出了一种基于未观察到的风险因素的个体治疗效果估计方法，结合动态变分自动编码器 (DVAE) 框架和使用倾向得分的加权策略，准确估计反事实回应和捕捉纵向数据中的潜在异质性。该模型表现出卓越性能。