polarolouis/audition-these
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity

Intégrations derniers retours

Browse source
This commit is contained in:
Louis Lacoste 2024-05-22 15:16:38 +02:00
parent 4f7c7f1ae7
commit 73716eb0bd
3 changed files with 57 additions and 36 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

BIN
presentation.pdf
View file

Binary file not shown.

2
presentation.tex
View file

@ -126,7 +126,7 @@
\title[Comparaison de structures de réseaux]{Comparaison de structures de \title[Comparaison de structures de réseaux]{Comparaison de structures de
réseaux. réseaux.
Applications à des réseaux écologiques} Applications à des réseaux écologiques}
\author[L. Lacoste]{Louis \textsc{Lacoste}\newline{\small Supervisé par Sophie Donnet et Pierre Barbillon, co-encadré par Julie Aubert}\newline\newline UMR MIA Paris-Saclay} % Sous la supervision de Pierre \author[L. Lacoste]{Louis \textsc{Lacoste}\newline{\small Dirigé par Sophie Donnet et Pierre Barbillon, co-encadré par Julie Aubert}\newline\newline UMR MIA Paris-Saclay} % Sous la supervision de Pierre
\date{23 mai 2024} \date{23 mai 2024}
\begin{document} \begin{document}

91
principal.tex
View file

@ -48,6 +48,8 @@
% et d'analyser la robustesse et les changements subies par ces % et d'analyser la robustesse et les changements subies par ces
% écosystèmes et notamment les risques d'effondrement de la % écosystèmes et notamment les risques d'effondrement de la
% biodiversité. % biodiversité.
\begin{columns}
\begin{column}{0.6\textwidth}
\begin{figure}[ht] \begin{figure}[ht]
\centering \centering
\begin{tikzpicture}[scale=.6] \begin{tikzpicture}[scale=.6]
@ -94,7 +96,20 @@
\label{fig:plantes-pollin} \label{fig:plantes-pollin}
\end{figure} \end{figure}
\end{column}
\begin{column}{0.39\textwidth}
\begin{align*}
X = \begin{pmatrix}
1 & 1 & 1 & 1 & 0 & 0\\
0 & 0 & 0 & 1 & 0 & 1 \\
1 & 0 & 0 & 0 & 1 & 0 \\
0 & 0 & 0 & 0 & 1 & 0
\end{pmatrix}
\end{align*}
\footnotesize
Matrice d'adjacence associée
\end{column}
\end{columns}
\item En écologie microbienne réseaux permettent le suivi de la \item En écologie microbienne réseaux permettent le suivi de la
qualité des sols. qualité des sols.
% En écologie microbienne, les réseaux sont construits sur la base % En écologie microbienne, les réseaux sont construits sur la base
@ -107,11 +122,13 @@
\begin{frame}{Contexte mathématique} \begin{frame}{Contexte mathématique}
Détection de structure\footnote{L'organisation du réseau.} pour un réseau Détection de structure\footnote{L'organisation du réseau.} pour un unique
bien connu : réseau bien connu avec par exemple :
\begin{itemize} \begin{itemize}
\item Modèles de \emph{clustering} à variables latentes \item Modèles de \emph{clustering} à variables latentes
\item \emph{Embedding} par apprentissage profond \item \emph{Embedding} par apprentissage profond\\
\item Et bien d'autres méthodes
\note[item]{Par exemple la détection de communauté, les calculs de métriques comme la centralité}
\end{itemize} \end{itemize}
Mais des motivations pour considérer des collections : Mais des motivations pour considérer des collections :
@ -474,12 +491,12 @@
\only<1>{ \only<1>{
\begin{block}{Modèle $iid$-colBiSBM} \begin{block}{Modèle $iid$-colBiSBM}
$$\forall m \in [\![ 1, M ]\!], Y_i \sim LBM_{n^m_1, n^m_2} (\pi, \rho, \alpha)$$ $$\forall m \in [\![ 1, M ]\!], Y^m \sim LBM_{n^m_1, n^m_2} (\pi, \rho, \alpha)$$
\end{block} \end{block}
} }
\only<2>{ \only<2>{
\begin{block}{Modèle $\pi\rho$-colBiSBM} \begin{block}{Modèle $\pi\rho$-colBiSBM}
$$\forall m \in [\![ 1, M ]\!], Y_i \sim LBM_{n^m_1, n^m_2} (\pi^{\color{red}m}, \rho^{\color{red}m}, \alpha)$$ $$\forall m \in [\![ 1, M ]\!], Y^m \sim LBM_{n^m_1, n^m_2} (\pi^{\color{red}m}, \rho^{\color{red}m}, \alpha)$$
\end{block} \end{block}
} }
% Pour % Pour
@ -513,10 +530,9 @@
\item Développement d'une méthode de partitionnement d'une large \item Développement d'une méthode de partitionnement d'une large
collection de réseaux basée sur la maximisation d'un critère de collection de réseaux basée sur la maximisation d'un critère de
sélection de modèle. sélection de modèle.
\item Écriture du code s'intégrant au package\footnote{ \item Implémentation du code intégrée au package\footnote{
\scalebox{0.8}{\faGithub \scalebox{0.8}{\faGithub~
\url{https://github.com/Chabert-Liddell/colSBM}}} \url{https://github.com/Chabert-Liddell/colSBM}}} \emph{colSBM}.
écrit par Saint-Clair Chabert-Liddell.
\note[item]{Pendant mon stage actuel} \note[item]{Pendant mon stage actuel}
\end{itemize} \end{itemize}
@ -546,11 +562,11 @@
\begin{center} \begin{center}
\begin{table} \begin{table}
\tiny \tiny
\begin{tabular}{ |c|c|c|c|c|c| } \begin{tabular}{ |c|c|c|c|c|c|c| }
\hline \hline
\thead{N°de \\collection} & 1 & 2 & 3 & 4 & 5 \\ \thead{N°de \\collection} & 1 & 2 & 3 & 4 & 5 & \thead{Total} \\
\hline \hline
\thead{Nombre de \\réseaux} & 38 & 45 & 1 & 20 & 19 \\ \thead{Nombre de \\réseaux} & 38 & 45 & 1 & 20 & 19 & 123\\
\hline \hline
\end{tabular} \end{tabular}
\end{table} \end{table}
@ -602,7 +618,7 @@
% % \end{tikzpicture} % % \end{tikzpicture}
\begin{frame}{Introduction aux \emph{Graph Neural Networks}} \begin{frame}{\emph{Graph Neural Networks} et \emph{Variational AutoEncoder}}
\begin{figure} \begin{figure}
\centering \centering
@ -653,24 +669,21 @@
\cite{kipfSemiSupervisedClassificationGraph2017} résout ce problème. \cite{kipfSemiSupervisedClassificationGraph2017} résout ce problème.
\item Utiliser des \emph{Variational AutoEncoder} de \item Utiliser des \emph{Variational AutoEncoder} de
\cite{kingmaAutoEncodingVariationalBayes2022c} et de \cite{kingmaAutoEncodingVariationalBayes2022c} et de
\cite{kipfVariationalGraphAutoEncoders2016} pour projection dans un \cite{kipfVariationalGraphAutoEncoders2016} pour projection des
espace latent. n\oe uds dans un espace latent.
\item Explorer le \emph{Deep Latent Space Model} \item Explorer le \emph{Deep Latent Space Model}
de~\cite{yangDeepLatentSpace2024} de~\cite{yangDeepLatentSpace2024}
\end{itemize} \end{itemize}
\end{frame} \end{frame}
\begin{frame}{Idées à explorer} \begin{frame}{Idées à explorer pour la comparaison de réseaux}
\begin{itemize} \begin{itemize}
\item \emph{Embedding} commun des n\oe uds des réseaux à comparer sur un même espace \item \emph{Embedding} commun des n\oe uds des réseaux à comparer sur un même espace
latent. Puis comparaison des distributions ainsi obtenues. latent. Puis comparaison des distributions ainsi obtenues.
\item Encodeurs différents mais décodeurs communs pour comparer les \item Encodeurs différents mais décodeurs communs pour comparer les
représentations obtenues représentations obtenues
\end{itemize} \end{itemize}
Ces pistes seront approfondies durant ce travail de thèse.
\end{frame} \end{frame}
% \begin{frame}[allowframebreaks]{\emph{Graph Neural Networks}} % \begin{frame}[allowframebreaks]{\emph{Graph Neural Networks}}
@ -708,35 +721,36 @@
\label{sec:axe-3} \label{sec:axe-3}
\begin{frame} \begin{frame}
\begin{columns} \begin{columns}
\begin{column}{0.4\textwidth} \begin{column}{0.6\textwidth}
\begin{table}[t] \begin{table}[t]
\centering \centering
\begin{tabularx}{\textwidth}{cccc} \begin{tabular}{cccc}
\hline \hline
& \multicolumn{3}{|c|}{OTU} \\ & $OTU_1$ & \dots & $OTU_p$ \\
\hline \hline
& $X_{1,1}$ & \dots & $X_{1,p}$ \\ Éch. 1 & $X_{1,1}$ & \dots & $X_{1,p} = 500$ \\
& \vdots & & \vdots \\ \vdots& \vdots & & \vdots \\
& $X_{n,1}$ & \dots & $X_{n,p}$ \\ Éch. n& $X_{n,1} = 10$ & \dots & $X_{n,p}$ \\
\hline \hline
\end{tabularx} \end{tabular}
\caption{Table d'OTU synthétique} \caption{Table d'OTU synthétique}
\label{tab:otu-synthetiques} \label{tab:otu-synthetiques}
\end{table} \end{table}
\end{column} \end{column}
\begin{column}{0.6\textwidth} \begin{column}{0.4\textwidth}
\begin{figure}[t] \begin{figure}[t]
\centering \centering
\includegraphics[scale=0.25]{img/plot_model_function_eps.png} TODO Ici une image avec des liens de probas proches pour faire commentaire
\caption{Réseau inféré} % \includegraphics[scale=0.25]{img/plot_model_function_eps.png}
\caption{Réseau de co-occurence inféré}
\label{fig:otu-synthetiques} \label{fig:otu-synthetiques}
\end{figure} \end{figure}
\end{column} \end{column}
\end{columns}. \end{columns}.
\begin{itemize} \begin{itemize}
\item Avènement des techniques de séquençage et donc des \item Avènement des techniques de séquençage et donc disponibilité des
OTU\footnote{Unité Taxonomique Opérationnelle} OTU\footnote{Unité Taxonomique Opérationnelle}
\item Incertitude d'inférence disponible mais négligée par la suite, \item Incertitude d'inférence disponible mais négligée par la suite,
important pour les réseaux microbiens seulement inférés important pour les réseaux microbiens seulement inférés
@ -746,13 +760,20 @@
\end{frame} \end{frame}
\begin{frame}{Modèle emboîté} \begin{frame}{Idées à explorer}
\begin{block}{Idée} \begin{itemize}
\item Avec $M$ tableaux d'OTU, on peut supposer :
\begin{block}{Modèle hiérarchique}
\begin{align*} \begin{align*}
X_1^m, \dots, X_p^m & \rightsquigarrow \mathcal{M}(Y^m) \\ \forall m \in [\![1,M]\!],~& X_1^m, \dots, X_p^m \rightsquigarrow \mathcal{M}(Y^m)& \\
Y^m & \rightsquigarrow LBM(\pi, \rho, \alpha) & Y^m \rightsquigarrow LBM(\pi, \rho, \alpha) \text{ ou } Y^m \rightsquigarrow DSLM(f_D, f_E) &
\end{align*} \end{align*}
\end{block} \end{block}
\item Formaliser une méthode pour déterminer si le changement d'unité
taxonomique change la structure
\item Réussir à mettre en évidence des bactéries aux rôles fonctionnels
proches selon des conditions d'expériences différentes
\end{itemize}
\end{frame} \end{frame}
\section{Organisation de la thèse} \section{Organisation de la thèse}
\label{sec:organisation-these} \label{sec:organisation-these}