Ajouts du jour

suivi/2025-24/2025-24.qmd

@@ -2,6 +2,7 @@
 title: "Bilan semaine 24 2025 : 10 juin - 13 juin"
 categories: [colBiSBM, inférence, GNN]
 date: 2025 06 13
+bibliography: references.bib
 ---
 
 ## TODO List
@@ -12,9 +13,9 @@ date: 2025 06 13
     - Si plusieurs clustering possibles les tester et sélectionner le 
     meilleur
     - Ré-ajuster les bonnes partitions.
-    - ▶️ Je commence à coder ça 
+    - ▶️ Je commence à coder ça ➡️ Je stocke la première étape de clustering pour moins galérer
 - Idée de Sophie : alterner descendant et ascendant → prometteur aussi
-    - J'ai codé le fichier de simulations et débugguer le vecteur de clustering ▶️ à voir les performances. ➡️ la simu à 9 réseaux (bcp de variabilité a priori) est lancée attente résultats
+    - J'ai codé le fichier de simulations et débugguer le vecteur de clustering ▶️ à voir les performances. ➡️ la simu à 9 réseaux (bcp de variabilité a priori) est lancée attente résultats ➡️ Je tombe sur un bug déjà rencontré dans les simus d'inférence. j'ai lancé sans parallélisation pour essayer de comprendre le bug.
 - Pour les deux propositions données simulées tester diverses distances.
 
 
@@ -61,6 +62,12 @@ i \rightarrow &~N^1_i \subseteq N^2_i \subseteq N^3_i & \text{Taxonomie}\\
 Z^0_i \overset{?}{=} & Z^1_i \overset{?}{=}  Z^2_i \overset{?}{=} Z^3_i & \text{Groupes fonctionnels}
 \end{align*}
 
+## Lecture en cours
+
+### OT
+- @mazeletUnsupervisedLearningOptimal Intéressant pour le transport optimal entre graphes de tailles différentes
+    - @nennaLecture2Entropic Pour comprendre le problème d'OT régularisé pour l'entropie.
+
 ## A discuter
 
 ### Inférence

suivi/2025-24/references.bib

@@ -0,0 +1,20 @@
+@article{mazeletUnsupervisedLearningOptimal,
+  title      = {Unsupervised {{Learning}} for {{Optimal Transport}} Plan Prediction between Unbalanced Graphs},
+  author     = {Mazelet, Sonia and Flamary, Rémi and Thirion, Bertrand},
+  abstract   = {Optimal transport between graphs, based on Gromov-Wasserstein and other extensions, is a powerful tool for comparing and aligning graph structures. However, solving the associated non-convex optimization problems is computationally expensive, which limits the scalability of these methods to large graphs. In this work, we present Unbalanced Learning of Optimal Transport (ULOT), a deep learning method that predicts optimal transport plans between two graphs. Our method is trained by minimizing the fused unbalanced Gromov-Wasserstein (FUGW) loss. We propose a novel neural architecture with cross-attention that is conditioned on the FUGW tradeoff hyperparameters. We evaluate ULOT on synthetic stochastic block model (SBM) graphs and on real cortical surface data obtained from fMRI. ULOT predicts transport plans with competitive loss up to two orders of magnitude faster than classical solvers. Furthermore, the predicted plan can be used as a warm start for classical solvers to accelerate their convergence. Finally, the predicted transport plan is fully differentiable with respect to the graph inputs and FUGW hyperparameters, enabling the optimization of functionals of the ULOT plan.},
+  langid     = {english},
+  keywords   = {/unread},
+  annotation = {Read\_Status: New\\
+                Read\_Status\_Date: 2025-06-11T09:08:09.864Z},
+  file       = {/home/louis/snap/zotero-snap/common/Zotero/storage/HPZEYMM9/Mazelet et al. - Unsupervised Learning for Optimal Transport plan prediction between unbalanced graphs.pdf}
+}
+
+@article{nennaLecture2Entropic,
+  title      = {Lecture 2: {{Entropic Optimal Transport}}},
+  author     = {Nenna, Luca},
+  langid     = {english},
+  keywords   = {/unread},
+  annotation = {Read\_Status: New\\
+                Read\_Status\_Date: 2025-06-11T16:06:28.547Z},
+  file       = {/home/louis/snap/zotero-snap/common/Zotero/storage/WGFIISDB/Nenna - Lecture 2 Entropic Optimal Transport.pdf}
+}