Kürzlich entwickelte tiefe unüberwachte Methoden ermöglichen es, Darstellungen und Clustern von unbeschrifteten Daten gleichzeitig zu lernen. Diese tiefen Clusterverfahren konzentrieren sich hauptsächlich auf die Korrelation zwischen den Stichproben, z.B. durch die Auswahl hochpräziser Paare zur schrittweisen Anpassung der Merkmalsdarstellung, was jedoch andere nützliche Korrelationen vernachlässigt. In dieser Arbeit schlagen wir einen neuen Clustering-Rahmen vor, der als tiefes umfassendes Korrelationsmining (DCCM) bezeichnet wird, um verschiedene Arten von Korrelationen hinter den unbeschrifteten Daten aus drei Perspektiven zu erforschen und vollständig zu nutzen:1) Anstatt sich nur auf paarweise Informationen zu beschränken, wird eine Pseudo-Label-Überwachung vorgeschlagen, um Kategorieinformationen zu untersuchen und diskriminierende Merkmale zu lernen.2) Die Robustheit der Merkmale gegenüber Bildtransformationen im Eingaberaum wird gründlich untersucht, was das Netzwerklernen fördert und die Leistung erheblich verbessert.3) Die Tripel-Mutual Information unter den Merkmalen wird für das Clustering-Problem präsentiert, um die kürzlich entdeckte instanzbasierte tiefgreifende Mutual Information auf eine Tripel-Level-Struktur zu erweitern, was weiterhin hilfreich ist, um noch diskriminierendere Merkmale zu lernen.Ausführliche Experimente auf mehreren anspruchsvollen Datensätzen zeigen, dass unsere Methode gute Ergebnisse erzielt. So erreicht sie beispielsweise eine Clustering-Akkuratesse von 62,3 % auf CIFAR-10, was 10,1 % höher ist als die besten bisher bekannten Ergebnisse.