条件自编码器

论文提出基于条件自编码器的框架，为非线性概念擦除提供了首个形式化保证。

条件自编码器的目标函数同时约束重建质量（保留任务相关信息）和敏感属性与表征在总体层面的独立性（移除敏感信息）。

该框架通过在同一条件自编码器中改变推理时的目标概念值，就能生成对应不同概念值的表征，无需额外训练成本，实现表征转向（representation steering）。

表征转向与擦除看似矛盾，但条件自编码器通过将概念值作为条件输入、并在推理时替换该条件值，统一了这两种操作，共享同一套参数。