本研究解决了在社会网络背景下，因大多数因果推断方法假设个体独立而导致对隔离政策影响评估不足的问题。我们提出了DeepNetTMLE，这是一种通过深度学习增强的目标最大似然估计方法，有效估计观察数据中的时间敏感治疗效果。研究表明，DeepNetTMLE在对抗性训练下降低了偏差并提高了反事实估计的置信区间的精度，从而能够在预算约束内提供最佳隔离建议，超越现有的方法。

本文评估了贝叶斯加性回归树（BART）与其他方法在处理二进制结果时的效果。结果显示BART、TMLE和采用GBM的IPTW在处理非线性和非可加性情况下具有更好的性能。同时，提出了一种用于特定处理的共同支持区域的方法来获得更好的外推结果和保持推断。