يمكن للتصنيف العميق تحسين تمثيلات النماذج (أي، تعلم التمثيل) واستكشاف التوزيع الداخلي للبيانات (أي، التجميع) في آن واحد، مما يظهر أداءً متفوقًا على طرق التجميع التقليدية التي تعتمد على الميزات المعطاة. ومع ذلك، فإن الهدف المتداخل يشير إلى حل بسيط حيث تتجمع جميع النماذج حول الميزات الموحدة. لمعالجة هذا التحدي، تم تطوير استراتيجية تدريب ذات مرحلتين للتخفيف من الارتباط، حيث يتم تقديم مرحلة تدريب أولية إضافية لتعلم التمثيل ثم ضبط النموذج المستحصل عليه لاحقًا للتجميع. وفي الوقت نفسه، تم تطوير طرق ذات مرحلة واحدة بشكل أساسي لتعلم التمثيل بدلاً من التجميع، حيث يتم تصميم قيود مختلفة لتخصيص العناقيد بهدف تجنب الانهيار صراحة. رغم نجاح هذه الطرق، لم يتم دراسة الهدف المناسب للتعلم المخصص للتصنيف العميق بشكل كافٍ.في هذا العمل، نوضح أولاً أن مهمة التمييز السائدة في التعلم الإشرافي غير مستقرة للتجميع ذو المرحلة الواحدة بسبب عدم وجود علامات حقيقية وإيجابيات لكل عناقيد في كل دفعة صغيرة. لحل هذه المشكلة، تم اقتراح مهمة تمييز العنقود المستقرة الجديدة (SeCu) والحصول على معيار تجميع جديد يعتمد على درجة الصعوبة وفقًا لذلك. بالإضافة إلى ذلك، تم دراسة قيد انتروبيا عالمي لتخصيص العناقد مع تحقيق الأمثلة بكفاءة. أجريت التجارب الواسعة على مجموعات بيانات مرجعية و ImageNet. حققت SeCu أفضل الأداء في جميعها، مما يثبت فعالية التجميع العميق ذو المرحلة الواحدة. يمكن الحصول على الكود من \url{https://github.com/idstcv/SeCu}.