RASteer：面向扩散模型概念擦除的保留感知激活引导方法

激活引导按目标概念建擦除方向时，会带上保留概念也依赖的共享分量，从而误伤非目标内容。

• 场景：作者称文生图扩散模型学到了产品中不能保留的内容，包括版权艺术风格、可识别角色和不安全图像。下架请求、法规变化或安全审计要求去掉这些内容时，在过滤数据上重训成本过高，提示词或输出级过滤又容易被绕过（Rando et al., 2022; Zhang et al., 2026; Sarwar et al., 2026）。概念擦除直接改已发布模型，使其不再生成目标概念。
• 现有方法的不足：权重编辑把改动写入参数，切换或撤销成本更高。激活引导固定权重、在推理时改中间激活，但擦除方向主要来自目标概念。目标与保留概念在表示空间中常重叠，该方向含保留概念依赖的共享分量。Figure 1a 上排：沿原方向擦 Sonic 时，保留角色 Snoopy 变成普通狗。Figure 1b：默认阈值下门控误触发 65% 的保留激活，并漏掉 21% 的目标激活；提高阈值会少误触发、但漏掉更多目标。Figure 1a 下排：完全投影后，作为擦除目标的 Snoopy 仍可辨认。
• 核心观察：作者认为需要把保留概念的信息写入擦除方向，以减少附带损伤并改善目标擦除。完全去掉共享分量也会削弱擦除。
• 提出的方法：Retain-aware Activation Steering（RASteer），训练无关、权重不变。Retain-Orthogonal Steering（ROS） 从保留概念构建保留子空间，并去掉擦除方向中与该子空间对齐的分量；Overlap-Adaptive Calibration（OAC） 在每一层、每一个去噪步按重叠度控制共享分量的去除比例。
• 威胁模型：
  • 目标：抑制擦除集 F 中的概念（版权风格、可识别角色或不安全内容），同时保留保留集 R 以及开放域生成。
  • 知识与改动位置：在预训练文生图扩散模型的 cross-attention 激活上做推理时引导；权重保持冻结，编辑可开关、可组合。论文未用 white-box、black-box 或 no-box 描述这一设定。
  • 能力：对每个概念用成对提示词离线预计算 steering 向量，推理时复用；保留集需预先给定。
  • 受害系统与成功判定：对象是已发布的 T2I 扩散模型。成功同时看目标是否被抑制，以及保留概念与一般图像质量是否保持；不安全内容用 NudeNet 计数，实例与风格用 CLIP accuracy、CLIP score 和 FID。

模型编辑式概念擦除

• 微调类：Gandikota et al. (2023)、Kumari et al. (2023)、Zhang et al. (2024a) 通过优化去噪器抑制概念；Lyu et al. (2024)、Lee et al. (2025)、Huang et al. (2024) 训练轻量模块。
• 闭式权重更新：TIME（Orgad et al., 2023）做最小二乘编辑；UCE（Gandikota et al., 2024）加入保留约束；RECE（Gong et al., 2024）迭代擦除会再生目标的嵌入；MACE（Lu et al., 2024）把闭式编辑与 LoRA 融合用于批量擦除；SPEED（Li et al., 2026）把更新限制在保留概念的零空间；CURE（Biswas et al., 2026）做能量缩放的谱投影。
• 作者的定位：这些方法把编辑编码进权重或已训练模块，切换或组合编辑需要管理对应参数。

推理时引导

• Safe Latent Diffusion（Schramowski et al., 2023）用 classifier-free guidance 把采样轨迹引离不安全内容。
• SAFREE（Yoon et al., 2025）在文本嵌入空间把提示词嵌入投影出不安全概念子空间；SAeUron（Cywiński & Deja, 2025）消融目标的稀疏自编码器特征；CASteer（Gaintseva et al., 2026）从 cross-attention 激活中减去目标 steering 向量，编辑可逆、可组合。SteerDiff（Zhang et al., 2024b）与 Huu-Tien et al. (2024)、Xie et al. (2025) 也在引言中被归入激活引导。
• 作者的批评：上述方法只建模要去掉的概念，都不把要保留的概念作为输入，因此与目标共享方向的保留概念会一起被抑制。

序列与持续遗忘

• 持续学习与在线学习：Liu et al. (2020; 2021a;b; 2023a;b; 2024)、Li et al. (2019; 2020; 2021)、Luo et al. (2023)、Fischer et al. (2024)、Zhang et al. (2023) 研究在获取新任务或新数据时减轻对已学知识的干扰。
• 序列遗忘：Meng et al. (2022a;b)、Ma et al. (2025)、Gu et al. (2024)、Wang et al. (2024)。作者称反复改参数会累积干扰，使保留越来越难。
• 作者的区别：设定共享持续适应视角，但 RASteer 每次编辑都在推理时完成、不更新参数，多个擦除约束可以加入、去掉或组合，且没有参数漂移。

基线方法与基准

• 基线：SPM（Lyu et al., 2024）、SAeUron、ESD-x/u（Gandikota et al., 2023）、UCE、MACE、RECE、CASteer。均用官方代码或已发布权重的默认设置。
• 基准：不安全内容用 I2P prompts（Schramowski et al., 2023）；实例与艺术风格使用配好的保留概念；开放域生成用 MS-COCO captions（Lin et al., 2014）。主骨干为 Stable Diffusion v1.4，并在 v1.5、v2.1 与 SDXL 上做跨模型评估。

作者把 RASteer 放在不改权重的推理时引导这一支：保留该运行方式，并补上由待保留概念构成的保留子空间，只沿与之正交的擦除方向引导，层间强度由重叠度设定。

RASteer 用成对提示词从冻结扩散模型抽出擦除方向与保留方向，经 ROS 与 OAC 得到校正方向，再在去噪时注入 cross-attention（Figure 2）。训练无关，无可学习参数。

问题设定与方向提取

• 集合：U 是预训练 T2I 扩散模型文本编码器能表示的概念集合。目标是抑制擦除集 F ⊆ U，保留保留集 R ⊆ U。
• 激活：给定提示词 p，c ∈ R^d 是去噪 U-Net 某一 cross-attention 层、某一个图像 patch 的输出激活。
• 概念方向：在每一层、每一个去噪步，用有该概念与无该概念的成对提示词的平均激活之差，再归一化，得到概念方向。
• CASteer 的更新：用目标方向 f̂ 做 c′ = c − β g(c) f̂，其中 g(c) = max(⟨f̂, c⟩, 0)，β 控制引导强度。与 f̂ 正对齐的保留激活也会被更新。RASteer 先用保留方向减少 f̂ 的共享分量，再算门控并更新。

Retain-Orthogonal Steering（ROS）

• 保留子空间：把保留概念的 steering 向量按列堆成 R ∈ R^{d×k}，SVD 为 R = UΣV^⊤。左奇异向量 U = [u_1, …, u_k] 构成保留子空间 S = span(R) 的标准正交基；若 rank(R) = r < k，则留下 r 个模态。
• 分解：记 a_i = ⟨u_i, f̂⟩。f̂ 被拆成 S 内分量 Σ_i a_i u_i（与 R 共享）和正交分量 f̂ − Σ_i a_i u_i（作者称为相对保留概念、更属于目标的部分）。
• 部分去除：只去掉每个保留模态的可控比例 λ_i ∈ [0, 1]。投影为 P_r = U diag(λ_1, …, λ_k) U^⊤。λ_i = 1 时共享项被完全去掉；λ_i = 0 时沿原始 f̂ 引导。
• 校正方向：判别方向是再归一化后的残差，d = (I − P_r) f̂ / ‖(I − P_r) f̂‖，并替换式 (1) 中的 f̂：c′ = c − β max(⟨d, c⟩, 0) d。λ_i = 1 时 d 与 S 正交，落在 S 内的保留激活门控基本为零；较小的 λ_i 用一部分保护换擦除强度。作者给出的理由是：目标自身若沿某保留方向有分量，完全抑制该方向也会削弱擦除。

Overlap-Adaptive Calibration（OAC）

• 重叠度：对单位向量 f̂，o = Σ_i a_i^2 = ‖U^⊤ f̂‖^2 ∈ [0, 1]，即擦除方向能量落在 S 中的比例。默认对所有保留模态用同一权重 λ_i = 1 − o，并在每一层、每一步分别计算。
• 高低重叠：低重叠时去掉大部分较小的共享分量；高重叠时去掉较小比例，归一化前保留更多原始方向。
• 几何关系：对共同去除比例 λ 且残差非零，论文给出 ‖U^⊤ d‖ 与 ⟨d, f̂⟩ 关于 o 与 λ 的闭式（式 6）。Figure 3a 中 o 随层与去噪步变化很大。Figure 3b：完全投影去掉保留子空间分量，OAC 允许随重叠增大的非零分量。Figure 3c：重叠增大时完全投影与原目标方向的对齐下降，OAC 保持更高对齐。作者称这些曲线解释归一化方向的几何，生成结果在第 4.3 节评估。

实现与默认设置

• 流程：每个概念离线预计算 steering 向量，推理时复用。对每一个 cross-attention 层使用 OAC，不做逐概念调参。式 (1) 的截断规则用于每一个去噪步。
• 骨干默认：SD-v1.4、v1.5、v2.1 用 50 步去噪，SDXL 用 30 步；均为半精度、发布管线的默认设置。β 按骨干固定：SD-v1.4 与 v1.5 为 2，SD-v2.1 与 SDXL 为 3。层范围默认使用全部层（All），以避免为每个架构另选层掩码。
• 附录提示词：论文未在附录中给出攻击器或改写提示词；方向来自成对的“有概念 / 无概念”提示，Figure 2 以 Sonic、Snoopy、Mickey 一类配对为例。

实验设置

• 骨干：主骨干 Stable Diffusion v1.4；跨模型为 SD v1.5、v2.1 与 SDXL。实验使用 NVIDIA A40。
• 任务与数据：不安全内容用 I2P prompts；实例为 Snoopy、Mickey、Spongebob、Pikachu，艺术风格为 Van Gogh、Picasso、Rembrandt、Hokusai，每块擦除阴影列中的概念并保留其余；开放域用 MS-COCO captions。论文未写 I2P 与 COCO 的样本量，也未写每概念生成张数。
• 基线：SPM、SAeUron、ESD-x、ESD-u、UCE、MACE、RECE、CASteer；官方代码或已发布权重，默认设置，统一评测管线。SDXL 的定性对比列（Figure 10）为 ESD-x、ESD-u、UCE、CASteer 与 RASteer。
• 指标：目标与每个保留概念用 CLIP accuracy（CA）和 CLIP score（CS）。不安全内容用 NudeNet 检出的暴露身体部位数，类别为 Breast(F)、Genitalia(F)、Breast(M)、Genitalia(M)、Buttocks、Feet、Belly、Armpits 及 Total。COCO 上 CLIP 衡量图文对齐，FID 与 LPIPS 相对同提示词、同种子的未引导生成。实例与风格的 FID 相对对应的未引导概念生成。箭头：擦除列 CS↓、CA↓、FID↑；保留列 CS↑、CA↑、FID↓。
• 评审：概念在场由 CLIP 打分；不安全内容由 NudeNet 检测。论文未报告人工评估或人工一致性。
• 重复：论文未报告随机种子重复次数。β 与步数见第 3 问；Figure 5 在 SD-v1.4 上把 β 从 1.5 扫到 4。

主结果

不安全内容与开放域保留（SD-v1.4）。据 Table 1、Table 2。

表格较宽，可左右滑动

方法	I2P Total	COCO CLIP↑	COCO FID↓	COCO LPIPS↓
SD-v1.4	612	30.96	–	–
SPM	608	30.93	2.57	0.022
CASteer	24	30.88	17.84	0.351
RECE	83	30.59	17.36	0.380
RASteer	13	30.95	17.47	0.304

Table 1 中 RASteer 各类为 Breast(F) 3、Genitalia(F) 1、Breast(M) 0、Genitalia(M) 5、Buttocks 1、Feet 2、Belly 0、Armpits 1。未编辑模型对应为 182、17、43、7、37、46、166、114。ESD-u 的 Total 为 113，UCE 为 130，MACE 为 100，SAeUron 为 372，ESD-x 为 274。Table 2 中 UCE 的 CLIP / FID / LPIPS 为 27.79 / 72.02 / 0.618，ESD-u 为 30.03 / 20.51 / 0.436。

单目标擦除（SD-v1.4，Table 3 前两块：擦 Snoopy、擦 Van Gogh）。CA 为百分比。

表格较宽，可左右滑动

方法	Snoopy CA↓	Mickey CA↑	Van Gogh CA↓	Picasso CA↑
SD-v1.4	98.3	99.6	99.6	99.2
CASteer	35.0	94.6	33.3	96.7
RECE	46.2	99.6	47.1	98.3
RASteer	10.8	99.6	32.9	99.2

同表 RASteer 擦 Snoopy 时：目标 CS 21.4、FID 209；Mickey CS 32.0、FID 82；Spongebob CA 98.8、FID 84；Pikachu CA 100.0、FID 46。擦 Van Gogh 时：目标 CS 23.4、FID 311；Picasso CS 30.0、FID 79；Rembrandt CA 97.1、FID 101；Hokusai CA 100.0、FID 79。

• 作者解读（不安全内容）：I2P 上 RASteer 把检出从 612 降到 13，CASteer 为 24，RECE 为 83。作者称 I2P 提示常常不直接点名不安全内容，SPM 这类由提示触发的方法擦得很少；权重编辑基线减少了不安全内容，但残留检出更多。
• 作者解读（一般内容）：RASteer 的图文对齐相对未编辑骨干基本不变，成对感知漂移低于若干能擦裸露内容的方法，包括 CASteer。RECE 在分布级保留上有竞争力，但不安全内容去除更弱；UCE 的全模型漂移更大。SPM 的小漂移应与其有限擦除一起看。
• 作者解读（实例与风格）：作者称 RASteer 在 Table 3 上对擦除目标的分类准确率持续较低，保留概念与开放域生成接近未编辑模型。顺序擦除时目标识别继续下降，剩余角色仍可识别，分布漂移小于 CASteer。风格上，擦 Rembrandt 时 CASteer 明显扰动相关的 Van Gogh 与 Picasso，RASteer 使二者更接近原分布。若干权重编辑方法能强擦单个目标，但保留角色退化更明显；保留漂移最小的方法往往擦除不足。

Table 3 中并非每一格都是 RASteer 最优。擦 Van Gogh 时，CASteer 的目标 CA 为 33.3，RASteer 为 32.9；ESD-x 的目标 CA 为 37.1，但 ESD-u 为 58.8。擦 Rembrandt 时 RASteer 目标 CA 为 2.9、FID 344，CASteer 为 4.2 与 336；保留侧 Van Gogh 的 CA，CASteer 为 87.1，RASteer 为 98.8。顺序擦除 Snoopy+Mickey 时，Snoopy CA：RASteer 10.8、CASteer 35.0；Mickey CA：RASteer 20.4、CASteer 38.3。再加入 Spongebob 后，Snoopy CA 为 RASteer 13.3、CASteer 40.4，Spongebob CA 为 5.4 与 20.4。

组件消融

Table 4 在 SD-v1.4 上擦 Snoopy 与 Van Gogh，其余同组概念为保留，向量配置相同。

• 测了什么：RASteer、去掉 ROS（回到原始激活引导）、去掉 OAC（每层每步做完全保留投影）。
• 数字：擦 Snoopy 的目标 CA：RASteer 10.8、w/o ROS 25.4、w/o OAC 12.1；Mickey CA / FID：99.6 / 82、96.7 / 171、98.8 / 50。擦 Van Gogh 的目标 CA：32.9、51.7、11.2；目标 CS / FID：23.4 / 311、21.8 / 312、24.8 / 235。Figure 1c 标注与此一致：w/o ROS 的目标 CA 为 25.4，Full projection 为 12.1，RASteer 为 10.8；保留侧三者约为 96.3、99.6、99.5。
• 作者解读：去掉 ROS 后保留概念 FID 一致上升，若干保留概念识别下降，作者认为 ROS 负责限制附带改动。去掉 OAC 后两个被擦概念的目标 CLIP score 更高、目标 FID 更低，作者认为输出更接近原目标语义与分布。Van Gogh 的 accuracy 是这一趋势的例外（w/o OAC 的 CA 11.2 低于 RASteer 的 32.9），作者因此把擦除效果合起来用对齐与分布变化解读，而不只看 accuracy。作者认为二者互补：ROS 保护保留概念，OAC 避免保留投影去掉过多目标特有的擦除方向。

层范围与引导强度

• 层范围（Figure 4，SD-v1.4）：五个范围 Middle、High、Low、Low+Mid、All，其余设置固定。Middle 与 High 的目标 CLIP accuracy 高于 96%；Low 将实例降到 10.8%、风格降到 35.8%。Low+Mid 与 All 的目标 accuracy 同为实例 10.8%、风格 32.9%。各范围保留 accuracy 均高于 98%。保留 FID：Low+Mid 低于 All，实例 61.7 对 70.8，风格 83.9 对 86.5。作者称把 Low+Mid 扩到 All 增加了分布漂移，且此比较中不再降低目标 accuracy；仍把 All 作为各骨干默认，以避免为每个架构另选层掩码。
• β（Figure 5，SD-v1.4，协议同 4.1）：β 从 1.5 到 4。实例目标 CA 从 29.5% 降到 7.9%，风格从 38.2% 降到 1.7%。I2P 检出在 β = 3 时最低为 4，β = 4 时升到 16。保留 CA：实例从 99.3% 降到 98.1%，风格从 99.0% 降到 93.3%；COCO LPIPS 上升。保留概念与 COCO 的 FID 在扫描中上升。作者称更强引导改善实例与风格擦除，同时增大对保留内容与一般内容的改动，且并不一致地改善不安全内容去除。默认 β = 2 使保留 accuracy 高于 98%，漂移小于更大强度。Figure 5 还标出 β = 2 附近的 I2P 计数 7.9 与 COCO LPIPS 0.248、FID 一侧的 61 与 14.1；与 Table 1 的 Total 13、Table 2 的 LPIPS 0.304 并不相同，论文未说明二者条件是否一致，故不把它们当成同一设置。
• 定性（Figure 6，SD-v2.1）：上为擦除 Snoopy，下为保留 Mickey。作者称 RASteer 从第一个场景去掉 Snoopy，其余擦除行仍有脸状残余与纹理伪影；SAeUron 留下目标线索，ESD 与 RECE 也扭曲保留图像；相对 CASteer，RASteer 更好地保留 Mickey 的面部结构与折纸布局。附录 Figure 7–10 为 v1.4、v1.5、v2.1、SDXL 上的额外对比。作者称 v1.4 与 v1.5 上 RASteer 多能去掉目标并给出有结构的替代，若干基线或留下可辨认目标线索、或改变邻近概念；v2.1 更难，残余目标线索更常见，但保留的 Mickey 与 Hokusai 行相对稳定；SDXL 上目标去除较强，保留的 Pikachu 与风格行最能看出保留优势，擦除风格行仍有纹理变化。

其他消融与分析

• 跨骨干（附录 Table 5，SD-v1.5，β = 2）：擦 Snoopy 时 RASteer 目标 CA 12.1、CS 21.6、FID 213；Mickey CA 99.6、FID 93。CASteer 为 30.4 与 96.7。擦 Van Gogh 时 RASteer 目标 CA 39.6，CASteer 为 35.0。
• 顺序擦除（Table 3，SD-v1.4，擦 Snoopy+Mickey+Spongebob）：RASteer 三目标 CA 为 13.3、34.2、5.4；保留 Pikachu CA 99.6、FID 58。CASteer 三目标 CA 为 40.4、46.2、20.4，Pikachu FID 106。
• 擦 Rembrandt（Table 3）：RASteer 目标 CA 2.9、FID 344；保留 Van Gogh CA 98.8、Picasso CA 96.7、Hokusai CA 99.6。CASteer 目标 CA 4.2，Van Gogh CA 87.1。
• Figure 1b（擦 Sonic、保留 Snoopy）：默认阈值下门控误触发 65% 保留激活、漏掉 21% 目标激活。横轴为门控阈值 τ，范围约 0 到 4。
• 负面例外：Table 4 中去掉 OAC 后 Van Gogh 的 CA（11.2）低于完整 RASteer（32.9），作者未把 accuracy 单独当作擦除变强。Figure 5 中 β 从 3 增到 4 时 I2P 检出从 4 升到 16。SD-v1.5 上擦 Van Gogh，CASteer 的目标 CA 35.0 低于 RASteer 的 39.6（Table 5）。
• Figure 3：只根据图注与轴名转述。横轴为去噪步或重叠 o，纵轴为层、‖U^⊤ d‖ 或 ⟨d, f̂⟩。作者称完全投影去掉保留子空间分量，OAC 保留随 o 增长的非零分量，并在高重叠时与原目标方向更对齐；生成质量不由图 3 直接给出。

作者指出的局限与后续方向

• 骨干范围：实验集中在 Stable Diffusion 家族；把 RASteer 扩展到更新的架构，如 diffusion transformers 和 FLUX，仍是后续工作（Conclusion, Limitations）。
• 保留集：RASteer 依赖预先定义的保留集，表示不足的概念仍可能受影响（Limitations）。
• 高重叠：当目标方向与保留子空间大幅重叠时，可用于擦除的方向变得有限，这促使作者考虑自适应构造保留集或迭代引导（Limitations）。
• 作者的总结性主张：在多个概念擦除基准和四个 Stable Diffusion 骨干上，RASteer 在目标抑制与保留概念、一般生成之间取得平衡（Conclusion）。此句是结论而非另列的局限。

实验覆盖范围

• 骨干与协议：被测骨干为 SD v1.4、v1.5、v2.1 与 SDXL。v1.4/v1.5/v2.1 为 50 步，SDXL 为 30 步；β 分别为 2、2、3、3（附录 A.1）。主定量表 Table 1–4 在 SD-v1.4；Table 5 在 SD-v1.5。
• 任务：I2P 不安全内容（NudeNet 八类部位加总数）、COCO 图文对齐与相对未引导生成的 FID/LPIPS、四角色与四位画家的单目标及顺序擦除（Table 3）。
• 对照：基线为 SPM、SAeUron、ESD-x、ESD-u、UCE、MACE、RECE、CASteer，官方默认设置。消融为去掉 ROS、去掉 OAC（Table 4），以及五档层范围（Figure 4）和 β ∈ [1.5, 4]（Figure 5）。
• 定性：Figure 6 与附录 Figure 7–10 覆盖四个骨干上的擦除实例、保留实例、擦除风格与保留风格。
• 论文未报告：I2P 与 COCO 的提示词条数、每概念图像张数、重复次数、CLIP 判定阈值，以及 NudeNet 与人工标注的一致性。也未报告自适应攻击或提示词绕过实验；引言提到提示词级过滤容易被绕过，但该说法指向过滤器而非对 RASteer 的自适应评测。

Retain-aware Activation Steering（RASteer） 是一种不改权重的推理时概念擦除方法，用于文生图扩散模型去掉指定概念并减少对保留概念的误伤。

• 问题：现有激活引导主要用目标概念构造方向。该方向含保留概念也使用的共享分量，沿原方向引导会抑制非目标内容；把共享分量一次去尽又会削弱擦除。Figure 1 用 Sonic / Snoopy 说明这两种情况，并给出默认门控下 65% 保留激活被误触发、21% 目标激活被漏掉。
• 方法：成对提示词抽出方向后，ROS 用保留 steering 向量的子空间，按比例去掉擦除方向中的对齐分量；OAC 以重叠能量 o 设 λ = 1 − o，逐层、逐步调整。校正方向 d 替换 CASteer 的更新，门控仍为与 d 的正内积。默认为全部 cross-attention 层，SD-v1.4/v1.5 的 β = 2，v2.1 与 SDXL 的 β = 3。
• 不安全内容：SD-v1.4 的 I2P 上，NudeNet 总数从未编辑的 612 降到 RASteer 的 13，CASteer 为 24，RECE 为 83（Table 1）。同模型擦裸露后的 COCO CLIP 为 30.95，未编辑为 30.96；LPIPS 为 0.304，低于 CASteer 的 0.351（Table 2）。
• 实例与风格：擦 Snoopy 时 RASteer 的目标 CA 为 10.8%，CASteer 为 35.0%，Mickey 的 CA 仍为 99.6%（Table 3）。擦 Van Gogh 时目标 CA 为 32.9%，Picasso 为 99.2%。去掉 ROS 使 Snoopy 的 CA 回到 25.4 并增大保留侧 FID；去掉 OAC 则 Van Gogh 的 CA 降到 11.2，但目标 CS 更高、FID 更低（Table 4）。
• 作者结论：作者认为 RASteer 在所比较的激活引导与权重编辑方法中，更好平衡了目标抑制、保留概念与一般生成，且编辑可逆、可组合。作者同时写明：实验在 Stable Diffusion 家族内；依赖预先给定的保留集；目标与保留子空间重叠很大时，留下的擦除方向有限。