لقد لاقت التجميع المتعدد (Ensemble clustering) اهتمامًا كبيرًا في مجالات التعلم الآلي وتنقيب البيانات بفضل الأداء العالي الذي تحققه في مهام التجميع. يُعد التجميع الطيفي (Spectral clustering) إحدى أكثر طرق التجميع شيوعًا، ويتميز بأداء متفوق مقارنة بالطرق التقليدية للتجميع. ومع ذلك، فإن الطرق الحالية للتجميع المتعدد تستخدم عادةً نتائج التجميع الناتجة عن الخوارزميات الأساسية مباشرةً في عملية التعلم المتعدد، مما لا يسمح باستغلال فعّال للهياكل الداخلية للبيانات التي تكشفها مصفوفات لابلاس الرسومية (graph Laplacians) في التجميع الطيفي، وبالتالي لا يمكنها تحقيق نتائج تجميع مرغوبة. في هذا البحث، نقترح طريقة جديدة للتعلم المتعدد مبنية على خوارزميات التجميع الطيفي. بدلًا من استخدام نتائج التجميع المُستخلصة مباشرةً من كل خوارزمية تجميع طيفي أساسية، تتعلم الطريقة المقترحة تمثيلًا قويًا (Robust representation) لمصفوفة لابلاس الرسومية من خلال التعلم المتعدد، وذلك بناءً على التضمين الطيفي (spectral embedding) لكل خوارزمية تجميع طيفي أساسية. وأخيرًا، تطبق الطريقة المقترحة خوارزمية k-means على التضمين الطيفي المستخلص من مصفوفة لابلاس الرسومية المُتعلّمة للحصول على المجموعات. أظهرت النتائج التجريبية على مجموعات بيانات مصطنعة وواقعية أن الطريقة المقترحة تفوق الطرق الأخرى الحالية للتجميع المتعدد.