7步走写摘要:Deep Adversarial Multi-view Clustering Network

本篇论文发表于IJCAI International Joint Conference on Artificial Intelligence (2019)，CCF A类。

本栏目着重于学习怎么样写论文摘要。从一个七步走的方法对论文摘要进行叙述，每一步需要写什么，怎么写。

近年来，通过跨多个视图使用通用的聚类结构，多视图聚类引起了越来越多的关注。 现有的大多数多视图聚类算法都使用浅层和线性嵌入函数来学习多视图数据的通用结构。 但是，这些方法不能充分利用多视图数据的非线性特性，这对于揭示复杂的聚类结构很重要。 在本文中，我们提出了一种新颖的多视图聚类方法，称为深度对抗多视图聚类（DAMC）网络，以学习嵌入在多视图数据中的内在结构。 具体来说，我们的模型采用深层自动编码器来学习由多个视图共享的潜在表示，同时利用对抗训练进一步捕获数据分布并解开潜在空间。 在多个实际数据集上的实验结果表明，该方法优于最新方法。	Multi-view clustering has attracted increasing attention in recent years by exploiting common clustering structure across multiple views. Most existing multi-view clustering algorithms use shallow and linear embedding functions to learn the common structure of multi-view data. However, these methods cannot fully utilize the non-linear property of multi-view data that is important to reveal complex cluster structure. In this paper, we propose a novel multi-view clustering method, named Deep Adversarial Multi-view Clustering (DAMC) network, to learn the intrinsic structure embedded in multi-view data. Specifically, our model adopts deep auto-encoders to learn latent representations shared by multiple views, and meanwhile leverages adversarial training to further capture the data distribution and disentangle the latent space. Experimental results on several real-world datasets demonstrate the proposed method outperforms the state-of art methods.
第一步: 交代研究背景	Multi-view clustering has attracted increasing attention in recent years by exploiting common clustering structure across multiple views.
第二步: 概括当前方法	Most existing multi-view clustering algorithms use shallow and linear embedding functions to learn the common structure of multi-view data.
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。	However, these methods cannot fully utilize the non-linear property of multi-view data that is important to reveal complex cluster structure.
第四步: 提出当前的方法	In this paper, we propose a novel multi-view clustering method, named Deep Adversarial Multi-view Clustering (DAMC) network, to learn the intrinsic structure embedded in multi-view data.
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	Specifically, our model adopts deep auto-encoders to learn latent representations shared by multiple views, and meanwhile leverages adversarial training to further capture the data distribution and disentangle the latent space.
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）	补充: 本篇论文采用生成对抗网络进行训练学习
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。	Experimental results on several real-world datasets demonstrate the proposed method outperforms the state-of art methods.

 

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。