本研究提出核随机配置网络（KSCNs），有效解决现有随机配置网络在模型学习和性能稳定性方面的不足，显著提升非线性回归问题的学习性能和鲁棒性。

本文研究了使用条件性工具变量（CIV）来估计因果效应的复杂问题，提出了一种非线性 CIV 回归方法 CBRL.CIV，可以消除混淆偏差并平衡观察到的混淆因素，无需线性假设。实验证明了CBRL.CIV在处理非线性情况方面的优越性。

本文研究了在存在未观察到的混淆因素的情况下，从观察数据中估计因果效应的复杂问题。提出了一种基于混淆平衡表征学习的非线性 CIV 回归，CBRL.CIV，以消除混淆偏差并平衡观察到的混淆因素，无需线性假设。实验证明了CBRL.CIV的竞争性能和在处理非线性情况方面的优越性。