توفر الشبكات العصبية العميقة (DNNs) وسيلة لمعالجة المهمة الصعبة الخاصة بتجميع البيانات عالية الأبعاد. إذ يمكن للشبكات العصبية العميقة استخلاص ميزات مفيدة، مما يؤدي إلى تمثيل أدنى بعدًا يكون أكثر ملائمة لتقنيات التجميع. وبما أن التجميع يُنفَّذ عادة في بيئة غير مراقبة تمامًا، حيث لا تتوفر علامات تدريب، ينشأ سؤال حول كيفية تدريب مُستخرج الميزات في الشبكة العصبية العميقة. تُعدّ الأسلوب الأكثر دقة حاليًا هو دمج تدريب الشبكة العصبية العميقة مع هدف التجميع، بحيث يمكن استخدام المعلومات الناتجة عن عملية التجميع لتحديث الشبكة العصبية لاستخراج ميزات أفضل للتجميع. لكن من المشكلات المرتبطة بهذه الطريقة أن العلامات الاصطناعية ("pseudo-labels") التي تُنتِجها خوارزمية التجميع تكون ملوثة بالضوضاء، وأي أخطاء فيها ستعيق تدريب الشبكة العصبية. في هذا البحث، نقترح طريقة تُسمى "التجميع باستخدام العلامات الاصطناعية المختارة"، والتي تستخدم فقط العلامات الاصطناعية الأكثر ثقة في تدريب الشبكة العصبية العميقة. ونُثبت رياضيًا تحسين الأداء تحت ظروف معينة. وعند تطبيق هذه الطريقة على مهمة تجميع الصور، حققت الأداء الأفضل على مستوى الحالة الحالية (state-of-the-art) على ثلاث مجموعات بيانات صور شهيرة. يمكن الوصول إلى الكود عبر الرابط: https://github.com/Lou1sM/clustering.