摘要

我们致力于解决自动编码器潜在空间解缠的问题，以分离标记属性信息与其他特征信息。这使得我们可以在保留其他信息的同时改变选定的属性。我们的方法——矩阵子空间投影（Matrix Subspace Projection）——比以往的潜在空间分解方法要简单得多，例如不需要多个判别器或仔细平衡它们的损失函数。此外，我们的新模型可以作为插件应用于自动编码器，并且适用于图像或文本等多种不同领域。我们通过人类评估和自动化方法展示了该方法在多种领域训练的自动编码器中进行属性操作的实用性。我们的新模型在生成质量方面（如重构、条件生成）与多个强大的基线模型具有高度竞争力。