الكودر التلقائي المتغير (VAE) هو أحد أكثر نماذج التعلم الآلي غير المشرف عليها استخدامًا. ومع ذلك، رغم أن الاختيار الافتراضي لتوزيع غاوس للسابقة واللاحقة يمثل توزيعًا رياضيًا ملائمًا غالبًا ما يؤدي إلى نتائج تنافسية، فإننا نوضح أن هذا التحديد الفشل في نمذجة البيانات ذات البنية الكروية المخفية. لمعالجة هذه المشكلة، نقترح استخدام توزيع فون ميزيس-فيشر (vMF) بدلاً منه، مما يؤدي إلى فضاء كروي مخفي. من خلال سلسلة من التجارب، نظهر كيف يمكن لـ VAE الكروي، أو $\mathcal{S}$S-VAE، أن يكون أكثر ملاءمة لتقاطع البيانات ذات البنية الكروية المخفية، بينما يتفوق على VAE العادي، أو $\mathcal{N}$N-VAE، في الأبعاد المنخفضة لأنواع أخرى من البيانات. الرمز البرمجي متاح على http://github.com/nicola-decao/s-vae-tf و https://github.com/nicola-decao/s-vae-pytorch