VQAにおいて，従来類似したQuestionに対してのロバスト性が研究され，この文章で画像をSemantic的に編集することにより，”Invariant”（画像編集しても回答が変化しない）と”Covariant”（画像編集されて回答も変化）の2種類データセット拡張する手法を提案し，モデルのCausal　Reasoning能力の評価やVQA手法のRobust性の向上に貢献．

提案のData augmentation手法を3種類の従来のSOTAなVQA手法に適応し，各タイプの質問、Synthetic画像、Real画像においてすべて一致した性能向上が得られた．

VQAタスクに従来問題視されているデータセットのバイアスが学習されてしまい，画像と言語情報間のCausal関係が学習されていない問題について検討．