本論文は、観察データから治療効果を推定するためにニューラルネットワークを使用することについて考察しています。一般的に、推定は2段階で行われます。まず、各単位の予測結果（期待値）と治療の確率（傾向スコア）のモデルを適合させます。次に、これらの適合したモデルを下流の効果推定器に組み込みます。ニューラルネットワークは、最初のステップで使用されるモデルにとって自然な選択肢です。本論文が取り上げる問題は次の通りです：最初のステップで使用されるニューラルネットワークの設計と学習をどのように適応させるかによって、最終的な治療効果の推定品質を向上させることができるでしょうか？私たちは、治療効果の推定に関する統計学的文献からの洞察に基づいて2つの適応方法を提案します。1つ目は、傾向スコアの十分性を利用した新しいアーキテクチャであるDragonnetです。2つ目は、非パラメトリックに最適な漸近的特性を持つモデルへのバイアスを誘導する正則化手順であるtargeted regularizationです。因果推論のベンチマークデータセットでの研究では、これらの適応方法が既存の手法よりも優れた性能を示していることが確認されました。コードはgithub.com/claudiashi57/dragonnetで入手可能です。