تُعتمد معظم الطرق الحالية لتصنيف الفراغات الفرعية على تمثيلات يدوية الصنع (handcrafted representations) وتعتمد على التعبير الذاتي، وتعاني من عدم إدراكها لأخطاء التصنيف المحتملة. وبذلك، تُظهر أداءً غير مرضٍ على البيانات الحقيقية التي تحتوي على فراغات فرعية معقدة. ولحل هذه المشكلة، نقترح نموذجًا جديدًا يُسمى التجميع التفرعي العدواني العميق (DASC)، والذي يتعلم تمثيلات عينات أكثر ملائمة من خلال التعلم العميق لغرض التجميع التفرعي، ويعمل بشكل أكثر أهمية على دمج التعلم العدواني لضبط تعلم تمثيل العينات والجمع التفرعي. وبشكل محدد، يتكون DASC من مولّد تجميع تفرعي ومحرّك تحقق الجودة (discriminator)، حيث يتعلم كلا المكونين بشكل متعارض. يُنتج المولّد تقديرات الفراغات الفرعية وتصنيف العينات. أما المُحرّك، فيقيّم أداء التجميع الحالي من خلال التحقق مما إذا كانت البيانات المعاد أخذ عينات منها من الفراغات المقدرة تمتلك خصائص فرعية متسقة، ويُوجّه المولّد لتحسين تجميع الفراغات بشكل تدريجي. وقد أظهرت النتائج التجريبية على مهام التعرف على الأحرف المكتوبة بيدًا، وتصنيف الوجوه، وتصنيف الأشياء، المزايا التي يتمتع بها DASC مقارنة بالطرق السطحية والقليلة العمق لتصنيف الفراغات التفرعية. علاوةً على ذلك، وبما نعلم، فإن هذا هو أول تطبيق ناجح لنموذج يشبه GAN في التجميع التفرعي غير المراقب، مما يُمهد الطريق أمام التعلم العميق لحل مشكلات التعلم غير المراقب الأخرى.