본 논문은 고차원 텍스트 데이터의 방향적 유사성을 포착하는 데 효과적인 초구면 공간에서의 잠재 표현 모델링에 초점을 맞추고 있습니다. 기존의 변분 오토인코더 기반 신경망 토픽 모델(VAE-NTM)은 초구면 구조를 인코딩하기 위해 von Mises-Fisher 사전 분포를 사용하지만, posterior collapse 문제로 인해 효과적인 잠재 표현을 얻지 못하는 경우가 많습니다. 이 문제를 해결하기 위해 본 논문에서는 초구면 슬라이스 Wasserstein 거리를 활용하여 집계된 사후 분포와 사전 분포를 정렬하는 Spherical Sliced Wasserstein Autoencoder for Topic Modeling (S2WTM)을 제안합니다. 실험 결과, S2WTM은 기존 최첨단 토픽 모델들을 능가하여 더 일관성 있고 다양한 토픽을 생성하고, 하위 작업의 성능을 향상시키는 것으로 나타났습니다.
