In diesem Paper zielen wir darauf ab, die Generalisierungsfähigkeit tiefer Netzwerke zu verbessern, gleichzeitig jedoch auch die Interpretierbarkeit der gelernten Darstellungen zu gewährleisten. Hierzu schlagen wir eine auf Clustering basierende Regularisierung vor, die parsimonious Darstellungen fördert. Unser k-Means-ähnliches Ziel ist leicht zu optimieren und flexibel einsetzbar, wodurch verschiedene Formen von Clustering möglich sind, darunter Stichproben- und räumliches Clustering sowie Co-Clustering. Wir demonstrieren die Wirksamkeit unseres Ansatzes anhand verschiedener Aufgaben, darunter unüberwachtes Lernen, Klassifikation, feinkörnige Kategorisierung sowie Zero-Shot-Lernen.