Les tableaux fournissent des connaissances précieuses qui peuvent être utilisées pour vérifier les affirmations textuelles. Bien que de nombreuses études aient examiné la vérification des faits basée sur les tableaux, les alignements directs des données tabulaires avec les jetons dans les affirmations textuelles sont rarement disponibles. De plus, l'entraînement d'un modèle de vérification des faits généralisé nécessite une abondance de données d'entraînement étiquetées. Dans cet article, nous proposons un système novateur pour résoudre ces problèmes. Inspirés par la causalité contre-factuelle, notre système identifie la salience au niveau des jetons dans l'affirmation grâce à une estimation de salience basée sur le sondage (probing-based salience estimation). L'estimation de salience permet un apprentissage amélioré de la vérification des faits sous deux angles. D'un côté, notre système effectue une prédiction masquée des jetons saillants pour renforcer le modèle en termes d'alignement et de raisonnement entre le tableau et l'affirmation. De l'autre côté, notre système applique une augmentation de données sensible à la salience pour générer un ensemble plus diversifié d'instances d'entraînement en remplaçant les termes non saillants. Les résultats expérimentaux sur TabFact montrent l'amélioration efficace apportée par les techniques d'apprentissage sensibles à la salience proposées, conduisant à de nouvelles performances SOTA (State-Of-The-Art) sur le banc d'essai. Notre code est disponible publiquement sur https://github.com/luka-group/Salience-aware-Learning .