最近開発された深層非教師あり手法により、表現学習とクラスタリングを同時に実行し、ラベルの付いていないデータを処理することが可能になりました。これらの深層クラスタリング手法は主にサンプル間の相関に焦点を当てており、例えば高精度のペアを選択して特徴表現を徐々に調整することに重点が置かれていますが、他の有用な相関関係が軽視されています。本論文では、未ラベルデータから三つの観点で様々な種類の相関関係を探求し、その利点を最大限に活用する新しいクラスタリングフレームワークである「深層包括的相関マイニング（Deep Comprehensive Correlation Mining, DCCM）」を提案します。1) ペア情報だけでなく、疑似ラベル監督を使用することでカテゴリ情報を調査し、識別的な特徴を学習します。2) 入力空間における画像変換に対する特徴の堅牢性を十分に探求し、ネットワーク学習の向上と性能の大幅な改善につなげます。3) 特徴間の三つ組相互情報がクラスタリング問題に対して導入され、最近発見されたインスタンスレベルの深層相互情報を三つ組レベルの形式へと昇華させることで、より識別的な特徴の学習を支援します。複数の困難なデータセットでの広範な実験結果は、当手法が優れた性能を達成していることを示しており、CIFAR-10において62.3%のクラスタリング精度を達成しました。これは現行最高峰の結果よりも10.1%高い精度です。