摘要
无监督元学习旨在从未标记的数据中学习元知识，并快速适应新任务。然而，现有的方法可能会受到训练数据中的上下文偏差（例如背景）的影响。在本文中，我们将无监督元学习问题抽象为结构因果模型（Structural Causal Model, SCM），并指出这种偏差是由隐藏混杂因素引起的。为了消除这些混杂因素，我们定义先验变量在条件上独立，并通过因果分解来学习先验变量之间的关系并对其进行干预。此外，我们提出了因果元变分自编码器（Causal Meta VAE, CMVAE），该模型在因果空间中将先验变量编码为潜在代码，并同时学习它们之间的关系，以实现下游的少样本图像分类任务。我们在玩具数据集和三个基准数据集上的实验结果表明，我们的方法可以去除上下文偏差，并且由于去除了偏差，其性能优于其他最先进的无监督元学习算法。代码可在以下链接获取：https://github.com/GuodongQi/CMVAE