الطرق العميقة غير المراقبة التي تم تطويرها مؤخرًا تسمح لنا بتعلم التمثيل وتصنيف البيانات غير المصنفة بشكل مشترك. تتخصص هذه الطرق العميقة للتصنيف بشكل أساسي في الارتباط بين العينات، مثل اختيار أزواج ذات دقة عالية لضبط التمثيل الخصائصي تدريجيًا، مما يتجاهل ارتباطات مفيدة أخرى. في هذا البحث، نقترح إطارًا جديدًا للتصنيف يُعرف باسم "تعدين الارتباط الشامل العميق" (DCCM)، لاستكشاف واستغلال أنواع مختلفة من الارتباطات خلف البيانات غير المصنفة من ثلاثة جوانب: 1) بدلاً من استخدام المعلومات الثنائية فقط، يتم اقتراح الإشراف بالعلامات الوهمية لدراسة المعلومات الفئوية وتعلم الخصائص التمييزية. 2) يتم استكشاف قوة الخصائص ضد تحويلات الصور في فضاء الإدخال بشكل كامل، مما يفيد تعلم الشبكة ويحسن الأداء بشكل كبير. 3) يتم تقديم المعلومات المتبادلة بين ثلاثيات الخصائص لمشكلة التجميع لرفع المعلومات المتبادلة العميقة على مستوى الحالة إلى صيغة على مستوى الثلاثيات، مما يساعد بشكل أكبر في تعلم خصائص أكثر تمييزًا. أظهرت التجارب الواسعة على عدة مجموعات بيانات صعبة أن طرقنا حققت أداءً جيدًا، مثل تحقيق دقة تصنيف تبلغ $62.3\%$62.3% على مجموعة بيانات CIFAR-10، وهي أعلى بنسبة $10.1\%$10.1% من أفضل النتائج المعروفة حاليًا.