في هذا البحث، نهدف إلى تسهيل التعميم في الشبكات العميقة مع دعم قابلية تفسير التمثيلات المُتعلمة. من أجل تحقيق هذا الهدف، نقترح منظورًا تقويضيًا يعتمد على التجميع (clustering) يشجع على تمثيلات اقتصادية (parsimonious). يُعد هدفنا من نوع k-means سهل التحسين ويتميز بالمرونة، مما يسمح بدعم أنواع مختلفة من التجميع، بما في ذلك التجميع العيني والتحفيز المكاني، فضلًا عن التجميع الثنائي (co-clustering). ونُظهر فعالية نهجنا في مهام التعلم غير المراقب، والتصنيف، والتصنيف الدقيق، والتعلم بدون عينات (zero-shot learning).