文声图防御框架原理笔记：Interpret then Deactivate(ItD)

/* by 01022.hk - online tools website : 01022.hk/zh/generatetronwallets.html */ Sparse Autoencoder as a Zero-Shot Classifier for Concept Erasing in Text-to-Image Diffusion Models 这篇论文提出了一种名为Interpret then Deactivate (ItD) 的框架，旨在文本到图像（T2I）扩散模型中实现精准、可扩展的概念擦除（即移除不想要的概念，如有害内容、特定名人等），同时不影响正常概念的生成。以下从思路、方法原理、数学公式推导三方面详细总结：

一、核心思路

现有概念擦除方法存在两大局限：1）微调模型参数会导致正常概念生成质量下降；2）集成定制模块泛化能力弱且需额外训练。为此，ItD框架通过“解释-停用”两步解决问题：

1. 解释（Interpret）：用稀疏自编码器（SAE）将概念分解为稀疏特征的线性组合，明确概念的特征构成；
2. 停用（Deactivate）：仅停用目标概念特有的特征（排除与正常概念共享的特征），实现精准擦除，同时保留正常概念的生成能力。

此外，SAE被复用为零样本分类器，可判断输入是否包含目标概念，仅在必要时应用擦除，进一步减少对正常概念的影响。

二、方法原理

1. 稀疏自编码器（SAE）的训练

SAE的作用是将文本编码器的语义信息（残差流输出）分解为稀疏特征的组合，为概念“解释”提供基础。

• 训练对象：文本编码器中transformer块的残差流输出（即token嵌入 \(e_l^h\))，其中 \(l\)为层索引，\(h\)为token索引）。
• 模型选择：采用K-稀疏自编码器（KSAE），强制每次重构仅保留K个最大激活特征，确保稀疏性。
• 核心目标：使SAE能将输入的token嵌入 \(e\)重构为稀疏特征的线性组合，即 \(e \approx \sum_{\rho=1}^{d_{hid}} z^\rho f_\rho\)（\(z^\rho\)为特征激活值，\(f_\rho\)为解码器矩阵的列向量，即特征向量）。

2. 特征选择：定位目标概念的“特有特征”

为避免擦除正常概念的特征，需筛选出目标概念特有的特征：

• 步骤1：收集目标概念的相关特征
  对目标概念的每个token，通过SAE获取特征激活值，取每个特征在所有token中的最大激活值，筛选出前 \(K_{sel}\)个高激活特征，构成目标特征集 \(F_{tar}\)。
• 步骤2：排除与正常概念共享的特征
  用正常概念集（retain set）的特征集 \(F_{retain}\)与 \(F_{tar}\)对比，移除两者共有的特征，得到目标概念特有特征集 \(\hat{F}_{tar} = F_{tar} \setminus \bigcup F_{retain}\)。
• 多概念擦除：对多个目标概念，取其特有特征集的并集 \(F_{erase} = \bigcup \hat{F}_{tar}\)。

3. 概念擦除机制

通过调整目标特征的激活值，移除文本嵌入中目标概念的语义信息：

• 编码与调整：文本嵌入经SAE编码为特征激活 \(s\)后，将 \(F_{erase}\)中的特征激活值缩放（如乘以小系数 \(\tau\)），削弱其影响；
• 解码重构：调整后的激活经SAE解码器重构为新的文本嵌入，该嵌入不再包含目标概念的信息，从而阻止扩散模型生成相关图像。

4. 零样本分类器：选择性擦除

利用SAE的重构损失判断输入是否包含目标概念，仅在包含时应用擦除，减少对正常概念的干扰：

• 若输入文本嵌入 \(e\)包含目标概念，其经SAE重构后的误差 \(\|e - \hat{e}\|\)较小（因目标特征被调整）；
• 若为正常概念，重构误差较大。通过阈值 \(\tau\)区分：\(G(e) = 1\)（含目标概念，应用擦除）若 \(\|e - \hat{e}\|^2 < \tau\)，否则为0（不擦除）。

三、数学公式原理推导

1. SAE的编码器与解码器

• 编码器：将输入token嵌入 \(e\)转换为稀疏特征激活 \(z\)

  \[z = \text{TopK}(W_{enc}(e - b_{pre})) \]

  其中，\(W_{enc} \in \mathbb{R}^{d_{hid} \times d_{in}}\)为编码器权重，\(b_{pre}\)为偏置，\(\text{TopK}\)保留前K个最大激活值（其余置0），确保稀疏性。

• 解码器：将特征激活 \(z\)重构为嵌入 \(\hat{e}\)

  \[\hat{e} = W_{dec} z + b_{pre} \]

  其中，\(W_{dec} \in \mathbb{R}^{d_{in} \times d_{hid}}\)为解码器权重，每列 \(f_\rho\)为特征向量。

2. SAE的训练损失函数

目标是最小化重构误差并保证特征稀疏性，损失函数为：

\[\mathcal{L}(e) = \|e - \hat{e}\|_2^2 + \alpha \mathcal{L}_{aux} \]

• 第一项 \(\|e - \hat{e}\|_2^2\)：L2重构损失，确保输入与输出接近；
• 第二项 \(\alpha \mathcal{L}_{aux}\)：辅助损失，防止“死特征”（即极少激活的特征）。\(\mathcal{L}_{aux}\)定义为使用前 \(K_{aux}\)（\(K_{aux} > K\)）个特征的重构误差，\(\alpha\)为权重系数。

3. 特征选择公式

• 目标概念特征集 \(F_{tar}\)：

  \[F_{tar} = \{\rho \mid s_C^\rho \in \text{TopK}(s_C^1, ..., s_C^{d_{hid}})\} \]

  其中 \(s_C^\rho = \max(s_1^\rho, ..., s_H^\rho)\)，\(s_h^\rho\)为第h个token的第\(\rho\)个特征激活值，\(H\)为目标概念的token数。

• 特有特征集 \(\hat{F}_{tar}\)：

  \[\hat{F}_{tar} = F_{tar} \setminus \bigcup_{C_r \in C_{retain}} F_{C_r} \]

  其中 \(C_{retain}\)为正常概念集，\(F_{C_r}\)为正常概念的特征集。
  当需要擦除多个目标概念时，总擦除特征集为各目标特有特征集的并集：

\[F_{erase} = \bigcup_{C \in \mathcal{C}_{tar}} \hat{F}_C \]

其中\(\mathcal{C}_{tar}\)为所有目标概念的集合，该式确保一次擦除多个概念且无需额外训练。

4. 概念擦除的激活调整

对特征激活 \(s\)进行调整，削弱目标特征的影响：

\[\hat{s}^\rho = \begin{cases} s^\rho \cdot \tau & \text{if } \rho \in F_{erase} \\ s^\rho & \text{otherwise} \end{cases} \]

其中 \(\tau\)为缩放系数（如 \(\tau < 1\)，削弱激活），调整后通过解码器重构为 \(\hat{e} = W_{dec} \hat{s} + b_{pre}\)。

5. 零样本分类器的判断公式

基于重构损失判断是否包含目标概念：

\[G(e) = \begin{cases} 1 & \text{if } \|e - \hat{e}\|^2 < \tau \\ 0 & \text{otherwise} \end{cases} \]

其中 \(\tau\)为阈值，\(G(e)=1\)时应用擦除，否则直接输出原嵌入。

四、总结

ItD框架通过SAE将概念分解为稀疏特征，结合对比特征选择和选择性擦除，实现了精准、可扩展的概念擦除。数学公式确保了SAE的稀疏性、特征的特异性及擦除的针对性，解决了现有方法对正常概念生成的干扰问题，同时通过零样本分类器进一步提升了鲁棒性。