私たちは、自己符号化器の潜在空間を解離し、ラベル付き属性情報と他の特性情報を分離する問題に取り組んでいます。これにより、選択された属性を変更しながら他の情報を保つことが可能になります。私たちの手法、行列部分空間射影（matrix subspace projection）は、潜在空間の因子分解に関する従来のアプローチよりもはるかに単純であり、複数の識別器やそれらの損失関数間での慎重な重み付けを必要としません。さらに、新しいモデルはプラグインとして自己符号化器に適用でき、画像やテキストなど多様な領域で機能します。私たちは、人間評価と自動化された方法を使用して、異なる領域で訓練された自己符号化器における属性操作の有用性を示しています。新しいモデルの生成品質（例えば再構築や条件付き生成）は、多くの強力な基準モデルに対して非常に競争力があります。