Wir befassen uns mit dem Problem der Entwirrung des latente Raums eines Autoencoders, um beschriftete Attributinformationen von anderen charakteristischen Informationen zu trennen. Dies ermöglicht es uns, ausgewählte Attribute zu ändern, während andere Informationen erhalten bleiben. Unsere Methode, die Matrixunterraumprojektion, ist viel einfacher als frühere Ansätze zur Faktorisierung des latenten Raums, zum Beispiel erfordert sie nicht mehrere Diskriminatoren oder eine sorgfältige Gewichtung ihrer Verlustfunktionen. Darüber hinaus kann unser neues Modell als Plugin zu Autoencodern angewendet werden und funktioniert in verschiedenen Bereichen wie Bildern oder Text. Wir demonstrieren die Nützlichkeit unserer Methode für die Attributmanipulation in Autoencodern, die in unterschiedlichen Domänen trainiert wurden, sowohl durch menschliche Bewertungen als auch durch automatisierte Methoden. Die Generierungsqualität unseres neuen Modells (z.B. Rekonstruktion, bedingte Generierung) ist hochwettbewerbsfähig im Vergleich zu einer Reihe starker Baseline-Modelle.