トピックモデルは、文書の確率的生成モデルとして広く研究されてきました。従来の推論手法では、モデルの更新に閉形式の導出を求めていましたが、これらのモデルの表現力が高まるにつれて、パラメータに対する高速かつ正確な推論を行う難易度も増しています。本論文では、ニューラル変分推論の枠組みにおいてバックプロパゲーションによる学習を可能にする、トピック上のパラメータ化可能な分布を提供することで、トピックモデリングへの代替的なニューラルアプローチを提案します。さらに、スティックブレーキング構造（stick-breaking construction）を用いて、概念的に無限の数のトピックを発見できる再帰ネットワークを提案します。これはベイジアン非パラメトリックトピックモデルと類似しています。MXMソングリリクス、20NewsGroupsおよびReutersニュースデータセットにおける実験結果は、これらのニューラルトピックモデルの有効性と効率性を示しています。