要約
非監督メタ学習は、ラベルの付いていないデータからメタ知識を学習し、新しい課題に迅速に適応することを目指しています。しかし、既存の手法は訓練データからのコンテキストバイアス（例えば背景）によって誤導される可能性があります。本論文では、非監督メタ学習の問題を構造因果モデル（Structural Causal Model: SCM）に抽象化し、このようなバイアスが隠れた混在因子（confounders）によって生じることを指摘します。これらの混在因子を排除するために、事前分布（priors）が条件付き独立であると定義し、事前分布間の関係性を学習して因果分解により介入します。さらに、我々は因果メタVAE（Causal Meta VAE: CMVAE）を提案します。これは因果空間において事前分布を潜在コードにエンコードし、それらの関係性を同時に学習することで下流の少ショット画像分類課題を達成することを目指しています。トイデータセットと3つのベンチマークデータセットでの結果は、我々の方法がコンテキストバイアスを取り除き、他の最先端の非監督メタ学習アルゴリズムよりも優れていることを示しています。これはバイアス除去によるものです。コードは \url{https://github.com/GuodongQi/CMVAE} で入手可能です。注：URL部分はそのまま残しましたが、実際には日語文書中ではURLリンクとして表示される形式にする必要がある場合があります。