点群など集合構造データの生成モデルは、さまざまなスケールにおける局所的・全体的構造の推論を必要とする。しかし、通常の順序データに用いられるマルチスケールフレームワークを集合構造データに適用することは、要素の順列に対して不変性を確保しなければならないため、直感的ではない。本論文では、集合用の階層的変分オートエンコーダーであるSetVAEを提案する。最近の集合符号化に関する進展に触発され、SetVAEはまず集合を部分集合に分割し、その分割結果を元の要素数に再投影するアテンションモジュールに基づいて構築されている。このモジュールを活用することで、階層的なVAEは複数スケールでの潜在変数を学習し、集合要素間の粗いから細かい依存関係を捉えつつ、順列不変性を達成する。点群生成タスクにおける実験では、モデル容量を著しく小さくしたにもかかわらず、既存手法と比較して競争力のある性能を達成した。定性的な評価により、本モデルが未観測の集合サイズにも一般化でき、教師なし条件下で興味深い部分集合間の関係を学習していることを示した。実装コードは https://github.com/jw9730/setvae にて公開されている。