نقوم بدراسة مشكلة تعلم التمثيلات التي تكون ثابتة فيما يتعلق ببعض العوامل المزعجة أو الحساسة للتغير في البيانات مع الاحتفاظ بأكبر قدر ممكن من المعلومات المتبقية. يعتمد نموذجنا على هندسة ذاتية الترميز التباينية مع افتراضات تشجع على الاستقلال بين العوامل الحساسة والعوامل الكامنة للتغير. يمكن بعد ذلك أداء أي معالجة لاحقة، مثل التصنيف، على هذا التمثيل الكامن المحذوف. لحذف أي اعتمادات متبقية، ندمج حد عقوبة إضافي يستند إلى مقياس "الاختلاف المتوسط الأقصى" (Maximum Mean Discrepancy - MMD). نناقش كيفية تدريب هذه الهندسات بكفاءة على البيانات ونظهر في التجارب أن هذه الطريقة أكثر فعالية من الأعمال السابقة في إزالة المصادر غير المرغوب فيها للتغير بينما تحافظ على تمثيلات كامنة معلوماتية.