7步走写摘要: Partition level multiview subspace clustering

本篇论文发表于Neural Networks (2020)，CCF B类，中科院二区。

由于多视图聚类能够处理多个源（视图）数据并探索不同视图之间的补充信息，因此最近受到越来越多的关注。在各种方法中，多视图子空间聚类方法可提供令人鼓舞的性能。它们主要将多视图信息集成在数据点所在的空间中。因此，由于每个单独视图中存在的噪声或异构特征之间的不一致，它们的性能可能会降低。对于多视图群集，基本前提是所有视图之间存在共享分区。因此，用于多视图群集的自然空间应该是所有分区。与现有方法正交，我们建议按照两个直观的假设在分区级别融合多视图信息：（i）每个分区都是共识聚类的扰动； （ii）应该为接近共识聚类的分区分配较大的权重。最后，我们提出了一个统一的多视图子空间聚类模型，该模型融合了从每个视图学习图，基本分区的生成以及共识分区的融合。这三个组件无缝地集成在一起，并且可以相互迭代地提升为一个整体最佳解决方案。在四个基准数据集上进行的实验证明了我们的方法相对于最新技术的有效性。	Multiview clustering has gained increasing attention recently due to its ability to deal with multiple sources (views) data and explore complementary information between different views. Among various methods, multiview subspace clustering methods provide encouraging performance. They mainly integrate the multiview information in the space where the data points lie. Hence, their performance may be deteriorated because of noises existing in each individual view or inconsistent between heterogeneous features. For multiview clustering, the basic premise is that there exists a shared partition among all views. Therefore, the natural space for multiview clustering should be all partitions. Orthogonal to existing methods, we propose to fuse multiview information in partition level following two intuitive assumptions: (i) each partition is a perturbation of the consensus clustering; (ii) the partition that is close to the consensus clustering should be assigned a large weight. Finally, we propose a unified multiview subspace clustering model which incorporates the graph learning from each view, the generation of basic partitions, and the fusion of consensus partition. These three components are seamlessly integrated and can be iteratively boosted by each other towards an overall optimal solution. Experiments on four benchmark datasets demonstrate the efficacy of our approach against the state-of-the-art techniques.
第一步: 交代研究背景 由于多视图聚类能够处理多个源（视图）数据并探索不同视图之间的补充信息，因此最近受到越来越多的关注。	Multiview clustering has gained increasing attention recently due to its ability to deal with multiple sources (views) data and explore complementary information between different views.
第二步: 概括当前方法 在各种方法中，多视图子空间聚类方法可提供令人鼓舞的性能。它们主要将多视图信息集成在数据点所在的空间中。	Among various methods, multiview subspace clustering methods provide encouraging performance. They mainly integrate the multiview information in the space where the data points lie.
第三步: 一般介绍现有方法的不足，论文给出的一些解决办法。 因此，由于每个单独视图中存在的噪声或异构特征之间的不一致，它们的性能可能会降低。 对于多视图群集，基本前提是所有视图之间存在共享分区。因此，用于多视图群集的自然空间应该是所有分区。	They mainly integrate the multiview information in the space where the data points lie. Hence, their performance may be deteriorated because of noises existing in each individual view or inconsistent between heterogeneous features. For multiview clustering, the basic premise is that there exists a shared partition among all views. Therefore, the natural space for multiview clustering should be all partitions.
（该摘要将第四步和第五步融合到一块进行了书写）   第四步: 提出当前的方法   第五步: 在提出论文的方法之后，需要进行对自己提出的方法的大致的介绍	Orthogonal to existing methods, we propose to fuse multiview information in partition level following two intuitive assumptions: (i) each partition is a perturbation of the consensus clustering; (ii) the partition that is close to the consensus clustering should be assigned a large weight. Finally, we propose a unified multiview subspace clustering model which incorporates the graph learning from each view, the generation of basic partitions, and the fusion of consensus partition. These three components are seamlessly integrated and can be iteratively boosted by each other towards an overall optimal solution.
第六步: 第五步进行了理论上的阐述。这一步呢，通常是对提出的算法怎么样实现优化的一句话或者两句话。不能太长，因为有字数限制。（可有，也可以没有，视具体论文而定）	本篇论文中暂时没有。（有时候这种在矩阵分解的论文经常出现）
第七步: 简要介绍一下实验，这个比较的套路，一般都是这个套路。	Experiments on four benchmark datasets demonstrate the efficacy of our approach against the state-of-the-art techniques.

摘要解读

第一步: 交代背景：多视角数据的普遍性和重要性

第二步: 概括当前方法 。

第三步: 一般介绍现有方法的不足 

第四步: 提出当前的方法

第五步: 在提出论文的方法之后，需要进行对自己提出的方法的大致的介绍 

第六步: 第五步进行了理论上的阐述。这一步呢，通常是对提出的算法怎么样实现优化的一句话或者两句话。不能太长，因为有字数限制。

第七步: 简要介绍一下实验，这个比较的套路。

以上就是大致的一个流程，我也正在学习，若有不足请各位耐心支出。非常感谢。

一般的摘要都会遵循这七个步骤，不同的步骤之间可能会融合到一块进行书写，在我们自己进行书写摘要的时候，可以参照这个步骤。如果自己在某个步骤实在想不出来，就暂时空下来。