Es besteht großes Interesse daran, maschinelles Lernen auf Probleme der kausalen Inferenz in Bereichen wie Gesundheitswesen, Wirtschaft und Bildung anzuwenden. Insbesondere hat die individuelle kausale Inferenz wichtige Anwendungen, wie beispielsweise die präzise Medizin. Wir präsentieren eine neue theoretische Analyse und eine Familie von Algorithmen zur Vorhersage des individuellen Behandlungseffekts (ITE) aus beobachteten Daten unter der Annahme der sogenannten starken Ignorierbarkeit. Die Algorithmen lernen eine "balancierte" Darstellung, bei der die durch die Darstellung induzierten verteilungen für behandelte und nicht behandelte Individuen ähnlich aussehen. Wir geben eine neuartige, einfache und intuitive Verallgemeinerungsfehler-Schranke an, die zeigt, dass der erwartete ITE-Schätzfehler einer Darstellung durch die Summe des standardmäßigen Verallgemeinerungsfehlers dieser Darstellung und des Abstands zwischen den durch die Darstellung induzierten Verteilungen für behandelte und nicht behandelte Individuen begrenzt ist. Wir verwenden Integral Probability Metrics (IPMs), um Abstände zwischen Verteilungen zu messen, und leiten explizite Schranken für den Wasserstein-Abstand und den Maximum Mean Discrepancy (MMD)-Abstand her. Experimente mit realen und simulierten Daten zeigen, dass die neuen Algorithmen dem aktuellen Stand der Technik entsprechen oder diesen sogar übertreffen.