Confoundersが特にVandLのモデル性能に影響を及ぼしている。しかしながら、既存手法はこれらのバイアスを学習してしまう傾向にあった。この研究で、Causal InductionをImage Captioningモデルに導入し、同時に画像側のConfounderと言語側のConfounderの影響を緩和した。また、提案手法が構造上シンプルになり、他の既存手法へ導入するなども可能になる。

提案の手法はMSCOCOのKarpathy Split（Image Captioningデータセット）でSOTAな性能を得られた。定性的な結果により、提案手法が有効的にConfounderの影響を緩和し、画像のコンテキストをベースにCaptioning生成できている。

Causal InductionをImage Captioningに導入した新しい研究。Causal InductionをCNN/Transformerに導入する手法はシンプルで性能が良いものが多い印象。