Weit verbreitete tiefgreifende latente Variablenmodelle (DLVMs), insbesondere Variationelle Autoencoder (VAEs), verwenden übermäßig einfache A-priori-Verteilungen im latenten Raum. Um eine starke Clusterverbesserung zu erzielen, müssen bestehende Methoden, die das Standardnormalverteilungs-Apriori durch ein Gaußsches Mischmodell (GMM) ersetzen, die Anzahl der Cluster a-priori nahe an der erwarteten Anzahl der wahren Klassen definieren und sind anfällig für schlechte Initialisierungen. Wir nutzen Konzepte des VampPrior (Tomczak und Welling, 2018), um ein bayesianisches GMM-Apriori zu fitten. Dies führt zum VampPrior-Mischmodell (VMM), einem neuen Apriori für DLVMs. In einem VAE erreicht das VMM hochwettbewerbsfähige Clusterverbesserungen auf Benchmark-Datensätzen. Die Integration des VMM in scVI (Lopez et al., 2018), eine weit verbreitete Methode zur Integration von scRNA-seq-Daten, verbessert dessen Leistungsignifikant und ordnet Zellen automatisch in Cluster mit ähnlichen biologischen Merkmalen.请注意，这里“显著”被翻译为“signifikant”，在德语文献中通常用于表示统计学上的显著性。如果上下文指的是性能提升的程度很大，也可以考虑使用“deutlich”来表达。