تُستخدم نماذج المتغيرات الكامنة العميقة (DLVMs) على نطاق واسع، وبشكل خاص مُعرِّفات الترميز التباينية (VAEs)، والتي تعتمد على افتراضات بسيطة جدًا للمساحة الكامنة. لتحقيق أداء تجميع قوي، تتطلب الطرق الحالية التي تستبدل الافتراض الطبيعي القياسي بمزيج النموذج الغاوسية (GMM) تحديد عدد المجموعات ليكون قريبًا من عدد الفئات الحقيقية المتوقعة مسبقًا، وهي عرضة للتوصيفات الأولية السيئة. نحن نستفيد من مفاهيم VampPrior (Tomczak و Welling، 2018) لتطبيق افتراض مزيج النموذج الغاوسية البيزية، مما ينتج عنه نموذج مزيج VampPrior (VMM)، وهو افتراض جديد لنماذج المتغيرات الكامنة العميقة. في VAE، يحقق VMM أداءً تنافسيًا للغاية في التجميع على مجموعات البيانات المرجعية. دمج VMM في scVI (Lopez وآخرون، 2018)، وهو طريقة شائعة لدمج بيانات scRNA-seq، يحسن بشكل كبير من أدائه ويقوم بتجميع الخلايا تلقائيًا إلى مجموعات ذات خصائص بيولوجية مشابهة.