La plupart des méthodes existantes de clustering par sous-espaces reposent sur une expression auto-référente de représentations manuelles et ignorent les erreurs potentielles de regroupement. En conséquence, elles se comportent médiocrement sur des données réelles présentant des sous-espaces sous-jacents complexes. Pour résoudre ce problème, nous proposons un nouveau modèle de clustering par sous-espaces adversaire profond (DASC), qui apprend des représentations d’échantillons plus favorables via l’apprentissage profond pour le clustering par sous-espaces, et introduit de manière cruciale l’apprentissage adversaire afin de superviser à la fois l’apprentissage des représentations d’échantillons et le clustering par sous-espaces. Plus précisément, DASC se compose d’un générateur de clustering par sous-espaces et d’un discriminateur de vérification de qualité, qui s’opposent mutuellement. Le générateur produit une estimation des sous-espaces et un regroupement des échantillons. Le discriminateur évalue la performance actuelle du clustering en vérifiant si les données rééchantillonnées à partir des sous-espaces estimés présentent des propriétés de sous-espace cohérentes, et supervise le générateur afin d’améliorer progressivement le clustering par sous-espaces. Les résultats expérimentaux sur des tâches de reconnaissance de chiffres manuscrits, de clustering facial et d’objet démontrent les avantages de DASC par rapport aux modèles de clustering par sous-espaces peu profonds ou peu profonds. En outre, à notre connaissance, il s’agit de la première application réussie d’un modèle du type GAN pour le clustering par sous-espaces non supervisé, ouvrant ainsi la voie à l’apprentissage profond pour résoudre d’autres problèmes d’apprentissage non supervisé.