التعلم الميتا غير المنظور يهدف إلى استخلاص المعرفة الميتا من البيانات غير المصنفة والتكيف السريع مع مهام جديدة. ومع ذلك، قد تُضلِّل النهج الحالية بسبب التحيز السياقي (مثل الخلفية) من بيانات التدريب. في هذا البحث، نستخلص مشكلة التعلم الميتا غير المنظور إلى نموذج سببي هيكلي (SCM) ونوضح أن هذا التحيز يحدث بسبب العوامل المؤثرة الخفية. لحذف هذه العوامل المؤثرة، نحدد أن الأولويات تكون مستقلة \textit{شرطيًا}، ونتعلم العلاقات بين الأولويات ونتدخل فيها باستخدام التحليل السببي. بالإضافة إلى ذلك، نقترح نموذج CMVAE الذي يقوم بتشفير الأولويات إلى رموز خفية في الفضاء السببي ويتعلم علاقاتها في الوقت نفسه لتحقيق مهمة تصنيف الصور القليلة الإطلاق. تظهر النتائج على مجموعات بيانات بسيطة وثلاث مجموعات بيانات مرجعية أن طريقة البحث يمكنها إزالة التحيز السياقي وأنها تتفوق على خوارزميات التعلم الميتا غير المنظور الأكثر تقدمًا بسبب إزالة التحيز. الرمز البرمجي متاح على \url{https://github.com/GuodongQi/CMVAE}