El aprendizaje automático para la inferencia causal, especialmente a nivel individual, ha atraído un gran interés en muchos ámbitos. Las técnicas existentes se centran en controlar las diferencias en la distribución entre los grupos de tratamiento de manera basada en datos, eliminando los efectos de los factores de confusión. Sin embargo, pocos de los métodos actuales discuten adecuadamente la diferencia en los tamaños de los grupos de tratamiento. Dos enfoques, uno directo y otro indirecto, abordan la posible falta de datos para estimar el tratamiento individual con tratamientos binarios y diferentes tamaños de grupos de tratamiento. Incorporamos los dos métodos en ciertos marcos basados en la adaptación y representación de dominio. Validamos el rendimiento de nuestro método mediante dos referencias en la comunidad de inferencia causal: datos simulados y datos del mundo real. Los resultados experimentales verifican que nuestros métodos funcionan bien.