CMVAE：用于无监督元学习的因果元变分自编码器
机器学习
2023-02-21 v1 人工智能
摘要
无监督元学习旨在从非标注数据中学习元知识并快速适应新任务。然而，现有方法可能被训练数据中的上下文偏置（如背景）所误导。本文将无监督元学习问题抽象为一个结构因果模型（Structural Causal Model, SCM），并指出此类偏置源于隐藏混杂因子。为消除混杂因子，我们定义先验是条件独立的，学习先验间的关系并通过因果分解对其进行干预。此外，我们提出因果元变分自编码器（Causal Meta VAE, CMVAE），其将先验编码入因果空间中的潜变量码并同时学习它们的关系，以实现下游少样本图像分类任务。在玩具数据集与三个基准数据集上的结果表明，由于偏置消除，我们的方法能够去除上下文偏置，并且优于其他最先进的无监督元学习算法。代码见 \url{https://github.com/GuodongQi/CMVAE}。
引用
@article{arxiv.2302.09731,
title = {CMVAE: Causal Meta VAE for Unsupervised Meta-Learning},
author = {Guodong Qi and Huimin Yu},
journal= {arXiv preprint arXiv:2302.09731},
year = {2023}
}
备注
Accepted by AAAI 2023