수많은 가능한 변형을 가진 개입(Intervention)의 효과를 예측하는 것은 여러 도메인에서 유용합니다. 예를 들어, 정신 건강 결과에 영향을 미치는 치료 콘텐츠나 주가 변동을 유도하는 실적 발표(Earnings call) 스크립트 등이 이에 해당합니다. 그러나 고전적인 인과 추정기(Causal estimators)는 가능한 모든 개입이 관찰된다고 가정하는 경향이 있는데, 이는 모든 텍스트 문자열의 공간과 같이 개입이 매우 다양할 경우 실행 불가능합니다. 우리는 고차원 처치 공간(High-dimensional treatment spaces) 문제를 해결하기 위해, 인과 추론(Causal inference)을 학습 문제로 재구성하는 잘 알려진 접근 방식을 조정합니다. 구체적으로, 관찰되지 않은 혼란 변수가 없다는(No unobserved confounding) 표준 가정 하에, 인과적 오차(Causal error)가 차수가 높아지는 일련의 모멘트 균형 오차(Moment-balancing errors)로 분해됨을 보여주고, 인과 추정을 직접적으로 개선하는 목적 함수(Objectives)를 설계합니다. 또한 고차원 처치의 효과를 저차원 처치 속성(Treatment attributes)으로 투영(Project)하는 방법을 제시하며, 이를 통해 단일 모델이 추가적인 속성별 학습 없이도 여러 인과적 질문에 답할 수 있도록 합니다. 우리는 고차원 연속형, 이산형 및 텍스트 처치 설정에서 우리의 추정기를 경험적으로 평가하였으며, 마지막 텍스트 설정에는 Amazon Reviews의 준합성(Semi-synthetic) 데이터셋을 사용하였습니다. 실험을 통해 고차 모멘트 균형 오차 최적화(Higher-order balance error optimization)의 이점과, 속성별 추정기(Attribute-specific estimators)와 비교했을 때 투영된 인과 추정치(Projected causal estimates)의 경쟁력 있는 성능을 입증하였습니다.