기존의 대부분의 하위공간 군집화 방법은 수작업으로 설계된 표현의 자기표현(self-expression)에 의존하며, 잠재적인 군집 오류에 대한 인식이 부족하다는 한계를 가지고 있다. 이로 인해 복잡한 내재적 하위공간을 가진 실세계 데이터에서 만족스럽지 못한 성능을 보인다. 이러한 문제를 해결하기 위해, 깊이 있는 학습을 통해 보다 유리한 샘플 표현을 학습하고, 특히 적대적 학습(adversarial learning)을 도입하여 샘플 표현 학습과 하위공간 군집화를 함께 감독하는 새로운 딥 적대적 하위공간 군집화(DASC, Deep Adversarial Subspace Clustering) 모델을 제안한다. 구체적으로 DASC는 하위공간 군집화 생성기(generator)와 품질 검증용 판별기(discriminator)로 구성되며, 서로를 대립시키며 학습한다. 생성기는 하위공간 추정과 샘플 군집화를 수행하고, 판별기는 추정된 하위공간으로부터 재표본화된 데이터가 일관된 하위공간 특성을 가지는지 검사함으로써 현재 군집 성능을 평가하며, 생성기가 점진적으로 하위공간 군집화를 개선하도록 감독한다. 손글씨 인식, 얼굴 및 객체 군집화와 같은 다양한 실험을 통해 DASC가 얕은(Shallow) 및 일부 깊은 하위공간 군집화 모델보다 뛰어난 성능을 보임을 입증하였다. 더욱이, 본 연구는 GAN 유사 모델을 비지도 하위공간 군집화에 성공적으로 적용한 최초의 사례이며, 이는 딥러닝 기술이 다른 비지도 학습 문제 해결에 응용될 수 있도록 길을 열어주는 중요한 전환점이 될 수 있다.