本論文は,高次元テキストデータの方向的類似性を捕捉するのに有効な超球面空間における潜在的表現モデリングに焦点を当てている。従来の変分オートエンコーダベースのニューラルネットワークトピックモデル（VAE-NTM）は、超球面構造をエンコードするためにvon Mises-Fisher辞書分布を使用しますが、 posterior collapse の問題により効果的な潜在表現が得られないことがよくあります。この問題を解決するために、本論文では、超球面スライスWasserstein距離を活用して集計された事後分布と事前分布を整列させるSherical Sliced Wasserstein Autoencoder for Topic Modeling（S2WTM）を提案します。実験の結果、S2WTMは既存の最先端のトピックモデルを上回り、より一貫性のあるさまざまなトピックを作成し、サブタスクのパフォーマンスを向上させることがわかりました。
