Die meisten bestehenden Methoden zur Unterraum-Clustering basieren auf der Selbstrepräsentation handgefertigter Darstellungen und sind nicht in der Lage, potenzielle Clustering-Fehler zu erkennen. Daher erzielen sie auf realen Datensätzen mit komplexen zugrundeliegenden Unterräumen unzureichende Ergebnisse. Um dieses Problem zu lösen, schlagen wir ein neuartiges tiefes adversariales Unterraum-Clustering-Modell (Deep Adversarial Subspace Clustering, DASC) vor, das durch tiefes Lernen günstigere Stichproben-Darstellungen für das Unterraum-Clustering lernt und insbesondere adversariales Lernen einführt, um sowohl die Lernprozesse der Stichproben-Darstellung als auch das Unterraum-Clustering zu überwachen. Konkret besteht DASC aus einem Unterraum-Clustering-Generator und einem Qualitätsprüfungsdiskriminator, die gegeneinander lernen. Der Generator erzeugt eine Schätzung der Unterräume sowie die Clustering-Ergebnisse für die Stichproben. Der Diskriminator bewertet die aktuelle Clustering-Leistung, indem er prüft, ob die aus den geschätzten Unterräumen neu abgetasteten Daten konsistente Unterraum-Eigenschaften aufweisen, und leitet dadurch den Generator an, das Unterraum-Clustering schrittweise zu verbessern. Experimentelle Ergebnisse auf Aufgaben zur Handschriftenerkennung, Gesichts- und Objekt-Clustering belegen die Überlegenheit von DASC gegenüber flachen sowie wenigen tiefen Unterraum-Clustering-Modellen. Zudem ist, soweit uns bekannt, DASC die erste erfolgreiche Anwendung eines GAN-ähnlichen Modells für das unsupervisierte Unterraum-Clustering, was auch den Weg für tiefes Lernen bei der Lösung weiterer unsupervisierter Lernprobleme ebnen könnte.