초록
비지도 메타학습은 라벨이 없는 데이터에서 메타 지식을 학습하고 새로운 작업에 신속하게 적응하는 것을 목표로 합니다. 그러나 기존 접근 방식은 훈련 데이터의 맥락 편향(예: 배경)에 의해 잘못 인도될 수 있습니다. 본 논문에서는 비지도 메타학습 문제를 구조적 인과 모델(SCM, Structural Causal Model)로 추상화하고 이러한 편향이 숨겨진 혼동 변수(hidden confounders) 때문임을 지적합니다. 혼동 변수를 제거하기 위해 우리는 사전 확률(priors)들이 조건부로 독립적이라는 것을 정의하고, 사전 확률들 사이의 관계를 학습하여 인과 분해(causal factorization)를 통해 개입합니다. 또한, 우리는 인과 공간에서 사전 확률들을 잠재 코드(latent codes)로 인코딩하고 그들의 관계를 동시에 학습하여 다운스트림 few-shot 이미지 분류 작업을 수행할 수 있는 Causal Meta VAE(CMVAE, Causal Meta Variational Autoencoder)를 제안합니다. 장난감 데이터셋과 세 가지 벤치마크 데이터셋에서의 결과는 우리의 방법이 맥락 편향을 제거할 수 있으며, 이는 편향 제거 덕분에 다른 최신 비지도 메타학습 알고리즘보다 우수한 성능을 보임을 입증합니다. 코드는 \url{https://github.com/GuodongQi/CMVAE}에서 제공됩니다.