从观察数据中估计个体层面的治疗效果（ITE）是因果机器学习领域中的一个具有挑战性和重要性的研究方向，广泛应用于各种关键任务中。本文提出了一种基于信息论的方法，旨在找到更可靠的表示来估计ITE。我们利用了信息瓶颈（Information Bottleneck, IB）原理，该原理解决了表示的简洁性和预测能力之间的权衡问题。通过引入扩展的因果信息瓶颈图模型，我们鼓励学习到的表示与治疗类型之间保持独立性。此外，我们还从半监督学习框架的角度引入了一种额外形式的正则化项，以确保更可靠的表示。实验结果表明，我们的模型在现实世界数据集上达到了最先进的性能，并且在不确定性信息方面表现出更可靠的预测性能。