تقدير آثار العلاج على مستوى الفرد (ITE) من البيانات الملاحظة هو مجال صعب ومهم في التعلم الآلي السببي ويُعتبر عادةً في تطبيقات حاسمة متنوعة. في هذا البحث، نقترح نهجًا نظريًا للمعلومات من أجل إيجاد تمثيلات أكثر ثقة لتقدير آثار العلاج على مستوى الفرد (ITE). نستفيد من مبدأ الزجاجة المعلوماتية (Information Bottleneck - IB)، الذي يعالج التوازن بين الإيجاز والقوة التنبؤية للتمثيل. بفضل تقديم نموذج رسومي ممتد للزجاجة المعلوماتية السببية، نشجع الاستقلال بين التمثيل المتعلم ونوع العلاج. كما نقدم أيضًا شكلًا إضافيًا من المنظم (regularizer) من وجهة نظر فهم آثار العلاج على مستوى الفرد (ITE) في إطار التعلم شبه المشرف عليه لضمان تمثيلات أكثر ثقة. تظهر النتائج التجريبية أن نموذجنا يحقق أفضل النتائج الحالية ويُظهر أداءً تنبؤيًا أكثر ثقة مع معلومات حول عدم اليقين في قواعد بيانات العالم الحقيقي.