Bilan semaine 18 2025 : 28 avril - 2 mai

A faire

Stratégie suite : Inférence

• Lire biblio fournie Julie, Inférence de réseaux : co-occurence

• Papier pour comprendre données

• pbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)

Combine networks at different taxonomic levels

• Inférence + GREMLINS

Rédaction article

• Relire intro St Clair

• S’inspirer structure pour mon intro

• Trouver biblio intro

• Rédiger l’intro

• Regarder les applications pour les collections de réseaux recommender system

• Lire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson

• Dire résultats nettement meilleurs et variabilités inférieures.

• Intégrer les retours de Sophie

Simulations article

• Comparer sur clustering unipartite avec versions symétriser des par blocs des matrices d’adjacences.

• Corriger structure de simus :

  • Pour noisy \alpha :
    • Logit pour envoyer la gaussienne vers (0,1)
    • Beta contrainte dans (0,1)
  • Pour noisy links : Générer nb_clustering collections de taille M puis prélever \epsilon_{max}n_r n_c liens à inverser puis pour les \epsilon < \epsilon_{max} prélever dans la liste des indices afin d’avoir des perturbations emboitées.

Applications

• Kmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.

Autour de l’article et du package

• Créer des vignettes illustrant par exemple des cas de simulations. Possible de mettre l’exemple d’application de Sophie sur les réseaux avec gradient d’urbanisation.

J’ai fait

JdS

• colDEM CSE

Clustering exhaustif Baldock

• Le clustering de toutes les 52 partitions s’est fait en 5h30 ! (Mémoïsation)

• Pour iid la meilleure partition avec BICL=-9466.911 contre BICL_{algo} = -9466.873 \pm 0.02205 trouvé avec l’algo

• Pour \pi\rho la meilleure partition avec BICL = -9497.92 contre BICL_{algo} =-9497.92 \pm 0.00009

A continuer

• Résultats simus NA Erreur pour certaines conditions : Pour NA robustness générer nb_rep collections de taille M=2 et prélever \epsilon_{max}n_r n_c liens à retirer puis pour les \epsilon < \epsilon_{max} prélever dans la liste des indices afin d’avoir des perturbations emboitées. Il faut que j’ajoute un mécanisme pour reprendre des conditions qui ont plantés et que je skip dans le future_lapply les conditions déjà traitées (pour avoir la même seed quand je vais exécuter le code). Implémenté les missing steps en attente des résultats MIGALE.

• Lire Biological Networks - François Képès

• Relancer simus d’inférence avec n = 240 pour voir si la qualité augmenter (se rassurer). En fait on est déjà à 240, j’ai relancé avec M = 4 au lieu de M = 2. En attente résultats MIGALE

Applications

• Idée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation

Sophie a fait une appli qui marche bien et va dans le sens de l’analyse faite (à savoir pas d’effet du gradien d’urbanisation). À continuer pour l’intégrer dans l’article !

Simulations article

• Relancer simulations de clustering avec M = 30 où M_i = 10, \forall i. En attente retour MIGALE Relancer simus clustering avec VEM steps = 10 000 et plus nombreux init pour spectral. Ajouter simu clustering métriques nb sous-collections obtenues. Vérifier les résultats obtenus si ARI = 0. Et augmenter la taille M = 30 avec M_1 = M_2 = M_3 = 10.