From 1de58727e65b132682dcdb3ab70f6a7adc6f2b32 Mon Sep 17 00:00:00 2001 From: Woodpecker CI Date: Tue, 15 Jul 2025 15:37:34 +0000 Subject: [PATCH] Deploy site [CI SKIP] --- index.html | 32 ++++++++++++++++---------------- search.json | 16 ++++++++-------- suivi/2025-29/2025-29.html | 36 +++++++++++++++++++++++++++++------- 3 files changed, 53 insertions(+), 31 deletions(-) diff --git a/index.html b/index.html index 63f451f..60ae631 100644 --- a/index.html +++ b/index.html @@ -263,7 +263,7 @@ Agenda

Journaux

-
+
 
@@ -271,7 +271,7 @@ Agenda

-Bilan semaine 29 2025 : 15 juillet - 11 juillet +Bilan semaine 29 2025 : 15 juillet - 18 juillet

@@ -298,7 +298,7 @@ Louis Lacoste
-
+
 
@@ -333,7 +333,7 @@ Louis Lacoste
-
+
 
@@ -368,7 +368,7 @@ Louis Lacoste
-
+
 
@@ -403,7 +403,7 @@ Louis Lacoste
-
+

@@ -437,7 +437,7 @@ Louis Lacoste
-
+
 
@@ -472,7 +472,7 @@ Louis Lacoste
-
+
 
@@ -506,7 +506,7 @@ Louis Lacoste
-
+
 
@@ -540,7 +540,7 @@ Louis Lacoste
-
+
 
@@ -572,7 +572,7 @@ Louis Lacoste
-
+

@@ -604,7 +604,7 @@ Louis Lacoste
-
+

@@ -634,7 +634,7 @@ Louis Lacoste
-
+
 
@@ -664,7 +664,7 @@ Louis Lacoste
-
+

@@ -694,7 +694,7 @@ Louis Lacoste
-
+
 
@@ -724,7 +724,7 @@ Louis Lacoste
-
+

diff --git a/search.json b/search.json index 0c2fd24..7785060 100644 --- a/search.json +++ b/search.json @@ -205,35 +205,35 @@ { "objectID": "suivi/2025-29/2025-29.html", "href": "suivi/2025-29/2025-29.html", - "title": "Bilan semaine 29 2025 : 15 juillet - 11 juillet", + "title": "Bilan semaine 29 2025 : 15 juillet - 18 juillet", "section": "", - "text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\nS’assurer que ça marche et relancer\n\nCreuser et explorer avec easy16s !\n⌛ Calcul du score F1Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant\nAjouter au tableau comparatif sep BiSBM\n\n\n\nAUC values for colBiSBM, sep-BiSBM and VGAE models across cities\n\n\n\n\n\n\n\nAUC\n\n\n\n\n\nCity\n\n\ncolBiSBM\n\n\nsep-BiSBM\n\n\nUntuned VGAE\n\n\n\n\n\n\nBristol\n\n\n0.841\n\n\n0.824\n\n\n1\n\n\n\n\nEdinburgh\n\n\n0.882\n\n\n0.883\n\n\n1\n\n\n\n\nLeeds\n\n\n0.873\n\n\n0.852\n\n\n1\n\n\n\n\nReading\n\n\n0.845\n\n\n0.837\n\n\n1\n\n\n\n\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nAttente retour Pierre pour faire d’autres clustering\n⌛ Il semble que non mais je voudrais bien faire le point.Vérifier si il n’y a pas de data leakage (ie je prends aussi les données de val et de test pour prédire ?).\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\nInférence finie mais résultats pas fous:\n\n\n\nThe proportion of dataset where the correct number of blocks is selected.\n\n\n\n\n\n\n\niid\n\n\n\n\n\\pi\n\n\n\n\n\\rho\n\n\n\n\n\\pi\\rho\n\n\n\n\n\n\\epsilon_{\\alpha}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\n\n\n\n0.00\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.03\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.06\n\n\n0.19 \\pm 0.04\n\n\n0.81 \\pm 0.04\n\n\n0\n\n\n0.24 \\pm 0.04\n\n\n0.76 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.33 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n0.17 \\pm 0.04\n\n\n0.83 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.2 \\pm 0.04\n\n\n0.78 \\pm 0.04\n\n\n0.06 \\pm 0.02\n\n\n0.87 \\pm 0.03\n\n\n0.06 \\pm 0.02\n\n\n0.01 \\pm 0.01\n\n\n0.88 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n\n\n0.09\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.1 \\pm 0.03\n\n\n0.9 \\pm 0.03\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.13 \\pm 0.03\n\n\n0.87 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n\n\n0.12\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.83 \\pm 0.04\n\n\n0.17 \\pm 0.04\n\n\n\n\n0.15\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.86 \\pm 0.03\n\n\n0.14 \\pm 0.03\n\n\n0\n\n\n0.34 \\pm 0.05\n\n\n0.66 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.81 \\pm 0.04\n\n\n0.19 \\pm 0.04\n\n\n0\n\n\n0.8 \\pm 0.04\n\n\n0.2 \\pm 0.04\n\n\n\n\n0.18\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.36 \\pm 0.05\n\n\n0.64 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.35 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n0.21\n\n\n0\n\n\n0.92 \\pm 0.03\n\n\n0.08 \\pm 0.03\n\n\n0\n\n\n0.89 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.39 \\pm 0.05\n\n\n0.61 \\pm 0.05\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n\n\n0.24\n\n\n0\n\n\n0.88 \\pm 0.03\n\n\n0.12 \\pm 0.03\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.47 \\pm 0.05\n\n\n0.53 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.99 \\pm 0.01\n\n\n0.01 \\pm 0.01\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)" + "text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\n✅ Ajouter au tableau comparatif sep BiSBM\nPour s’assurer que colBiSBM marche, il faut comparer avec une proportion de :\n\nMissing links, ie des faux zéros\nNA en Missing at random (MAR)\n\nFaible performances de l’inférence :\n\nVérifier que les conditions d’identifiabilité des modèles fautifs sont bien remplies.\nRécupérer des jeux de paramètres et essayer de reproduire les résultats.\n\nClustering sur Doré :\n\nDésaggréger les réseaux et relancer le clustering sur certains auteurs.\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\n\n\n\nAUC values for colBiSBM, sep-BiSBM and VGAE models across cities\n\n\n\n\n\n\n\nAUC\n\n\n\n\n\nCity\n\n\ncolBiSBM\n\n\nsep-BiSBM\n\n\nUntuned VGAE\n\n\n\n\n\n\nBristol\n\n\n0.841\n\n\n0.824\n\n\n1\n\n\n\n\nEdinburgh\n\n\n0.882\n\n\n0.883\n\n\n1\n\n\n\n\nLeeds\n\n\n0.873\n\n\n0.852\n\n\n1\n\n\n\n\nReading\n\n\n0.845\n\n\n0.837\n\n\n1\n\n\n\n\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nAttente retour Pierre pour faire d’autres clustering\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\nInférence finie mais résultats pas fous:\n\n\n\nThe proportion of dataset where the correct number of blocks is selected.\n\n\n\n\n\n\n\niid\n\n\n\n\n\\pi\n\n\n\n\n\\rho\n\n\n\n\n\\pi\\rho\n\n\n\n\n\n\\epsilon_{\\alpha}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\n\n\n\n0.00\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.03\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.06\n\n\n0.19 \\pm 0.04\n\n\n0.81 \\pm 0.04\n\n\n0\n\n\n0.24 \\pm 0.04\n\n\n0.76 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.33 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n0.17 \\pm 0.04\n\n\n0.83 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.2 \\pm 0.04\n\n\n0.78 \\pm 0.04\n\n\n0.06 \\pm 0.02\n\n\n0.87 \\pm 0.03\n\n\n0.06 \\pm 0.02\n\n\n0.01 \\pm 0.01\n\n\n0.88 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n\n\n0.09\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.1 \\pm 0.03\n\n\n0.9 \\pm 0.03\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.13 \\pm 0.03\n\n\n0.87 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n\n\n0.12\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.83 \\pm 0.04\n\n\n0.17 \\pm 0.04\n\n\n\n\n0.15\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.86 \\pm 0.03\n\n\n0.14 \\pm 0.03\n\n\n0\n\n\n0.34 \\pm 0.05\n\n\n0.66 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.81 \\pm 0.04\n\n\n0.19 \\pm 0.04\n\n\n0\n\n\n0.8 \\pm 0.04\n\n\n0.2 \\pm 0.04\n\n\n\n\n0.18\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.36 \\pm 0.05\n\n\n0.64 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.35 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n0.21\n\n\n0\n\n\n0.92 \\pm 0.03\n\n\n0.08 \\pm 0.03\n\n\n0\n\n\n0.89 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.39 \\pm 0.05\n\n\n0.61 \\pm 0.05\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n\n\n0.24\n\n\n0\n\n\n0.88 \\pm 0.03\n\n\n0.12 \\pm 0.03\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.47 \\pm 0.05\n\n\n0.53 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.99 \\pm 0.01\n\n\n0.01 \\pm 0.01\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\nCreuser et explorer avec easy16s !\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)" }, { "objectID": "suivi/2025-29/2025-29.html#todo-list", "href": "suivi/2025-29/2025-29.html#todo-list", - "title": "Bilan semaine 29 2025 : 15 juillet - 11 juillet", + "title": "Bilan semaine 29 2025 : 15 juillet - 18 juillet", "section": "", - "text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\nS’assurer que ça marche et relancer\n\nCreuser et explorer avec easy16s !\n⌛ Calcul du score F1Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant\nAjouter au tableau comparatif sep BiSBM\n\n\n\nAUC values for colBiSBM, sep-BiSBM and VGAE models across cities\n\n\n\n\n\n\n\nAUC\n\n\n\n\n\nCity\n\n\ncolBiSBM\n\n\nsep-BiSBM\n\n\nUntuned VGAE\n\n\n\n\n\n\nBristol\n\n\n0.841\n\n\n0.824\n\n\n1\n\n\n\n\nEdinburgh\n\n\n0.882\n\n\n0.883\n\n\n1\n\n\n\n\nLeeds\n\n\n0.873\n\n\n0.852\n\n\n1\n\n\n\n\nReading\n\n\n0.845\n\n\n0.837\n\n\n1\n\n\n\n\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nAttente retour Pierre pour faire d’autres clustering\n⌛ Il semble que non mais je voudrais bien faire le point.Vérifier si il n’y a pas de data leakage (ie je prends aussi les données de val et de test pour prédire ?).\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\nInférence finie mais résultats pas fous:\n\n\n\nThe proportion of dataset where the correct number of blocks is selected.\n\n\n\n\n\n\n\niid\n\n\n\n\n\\pi\n\n\n\n\n\\rho\n\n\n\n\n\\pi\\rho\n\n\n\n\n\n\\epsilon_{\\alpha}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\n\n\n\n0.00\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.03\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.06\n\n\n0.19 \\pm 0.04\n\n\n0.81 \\pm 0.04\n\n\n0\n\n\n0.24 \\pm 0.04\n\n\n0.76 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.33 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n0.17 \\pm 0.04\n\n\n0.83 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.2 \\pm 0.04\n\n\n0.78 \\pm 0.04\n\n\n0.06 \\pm 0.02\n\n\n0.87 \\pm 0.03\n\n\n0.06 \\pm 0.02\n\n\n0.01 \\pm 0.01\n\n\n0.88 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n\n\n0.09\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.1 \\pm 0.03\n\n\n0.9 \\pm 0.03\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.13 \\pm 0.03\n\n\n0.87 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n\n\n0.12\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.83 \\pm 0.04\n\n\n0.17 \\pm 0.04\n\n\n\n\n0.15\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.86 \\pm 0.03\n\n\n0.14 \\pm 0.03\n\n\n0\n\n\n0.34 \\pm 0.05\n\n\n0.66 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.81 \\pm 0.04\n\n\n0.19 \\pm 0.04\n\n\n0\n\n\n0.8 \\pm 0.04\n\n\n0.2 \\pm 0.04\n\n\n\n\n0.18\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.36 \\pm 0.05\n\n\n0.64 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.35 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n0.21\n\n\n0\n\n\n0.92 \\pm 0.03\n\n\n0.08 \\pm 0.03\n\n\n0\n\n\n0.89 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.39 \\pm 0.05\n\n\n0.61 \\pm 0.05\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n\n\n0.24\n\n\n0\n\n\n0.88 \\pm 0.03\n\n\n0.12 \\pm 0.03\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.47 \\pm 0.05\n\n\n0.53 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.99 \\pm 0.01\n\n\n0.01 \\pm 0.01\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)" + "text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\n✅ Ajouter au tableau comparatif sep BiSBM\nPour s’assurer que colBiSBM marche, il faut comparer avec une proportion de :\n\nMissing links, ie des faux zéros\nNA en Missing at random (MAR)\n\nFaible performances de l’inférence :\n\nVérifier que les conditions d’identifiabilité des modèles fautifs sont bien remplies.\nRécupérer des jeux de paramètres et essayer de reproduire les résultats.\n\nClustering sur Doré :\n\nDésaggréger les réseaux et relancer le clustering sur certains auteurs.\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\n\n\n\nAUC values for colBiSBM, sep-BiSBM and VGAE models across cities\n\n\n\n\n\n\n\nAUC\n\n\n\n\n\nCity\n\n\ncolBiSBM\n\n\nsep-BiSBM\n\n\nUntuned VGAE\n\n\n\n\n\n\nBristol\n\n\n0.841\n\n\n0.824\n\n\n1\n\n\n\n\nEdinburgh\n\n\n0.882\n\n\n0.883\n\n\n1\n\n\n\n\nLeeds\n\n\n0.873\n\n\n0.852\n\n\n1\n\n\n\n\nReading\n\n\n0.845\n\n\n0.837\n\n\n1\n\n\n\n\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nAttente retour Pierre pour faire d’autres clustering\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\nInférence finie mais résultats pas fous:\n\n\n\nThe proportion of dataset where the correct number of blocks is selected.\n\n\n\n\n\n\n\niid\n\n\n\n\n\\pi\n\n\n\n\n\\rho\n\n\n\n\n\\pi\\rho\n\n\n\n\n\n\\epsilon_{\\alpha}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\n\n\n\n0.00\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.03\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.06\n\n\n0.19 \\pm 0.04\n\n\n0.81 \\pm 0.04\n\n\n0\n\n\n0.24 \\pm 0.04\n\n\n0.76 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.33 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n0.17 \\pm 0.04\n\n\n0.83 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.2 \\pm 0.04\n\n\n0.78 \\pm 0.04\n\n\n0.06 \\pm 0.02\n\n\n0.87 \\pm 0.03\n\n\n0.06 \\pm 0.02\n\n\n0.01 \\pm 0.01\n\n\n0.88 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n\n\n0.09\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.1 \\pm 0.03\n\n\n0.9 \\pm 0.03\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.13 \\pm 0.03\n\n\n0.87 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n\n\n0.12\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.83 \\pm 0.04\n\n\n0.17 \\pm 0.04\n\n\n\n\n0.15\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.86 \\pm 0.03\n\n\n0.14 \\pm 0.03\n\n\n0\n\n\n0.34 \\pm 0.05\n\n\n0.66 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.81 \\pm 0.04\n\n\n0.19 \\pm 0.04\n\n\n0\n\n\n0.8 \\pm 0.04\n\n\n0.2 \\pm 0.04\n\n\n\n\n0.18\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.36 \\pm 0.05\n\n\n0.64 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.35 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n0.21\n\n\n0\n\n\n0.92 \\pm 0.03\n\n\n0.08 \\pm 0.03\n\n\n0\n\n\n0.89 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.39 \\pm 0.05\n\n\n0.61 \\pm 0.05\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n\n\n0.24\n\n\n0\n\n\n0.88 \\pm 0.03\n\n\n0.12 \\pm 0.03\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.47 \\pm 0.05\n\n\n0.53 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.99 \\pm 0.01\n\n\n0.01 \\pm 0.01\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\nCreuser et explorer avec easy16s !\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)" }, { "objectID": "suivi/2025-29/2025-29.html#biblio-à-faire", "href": "suivi/2025-29/2025-29.html#biblio-à-faire", - "title": "Bilan semaine 29 2025 : 15 juillet - 11 juillet", + "title": "Bilan semaine 29 2025 : 15 juillet - 18 juillet", "section": "Biblio à faire", "text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite.\nHDR VB, chapitre de modèle à blocs latents, bcp travaillé sur bipartite OT, comparaison clustering, adaption ARI, Largest Gap" }, { "objectID": "suivi/2025-29/2025-29.html#lectures-en-cours", "href": "suivi/2025-29/2025-29.html#lectures-en-cours", - "title": "Bilan semaine 29 2025 : 15 juillet - 11 juillet", + "title": "Bilan semaine 29 2025 : 15 juillet - 18 juillet", "section": "Lectures en cours 📚", "text": "Lectures en cours 📚\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps" }, { "objectID": "suivi/2025-29/2025-29.html#a-discuter", "href": "suivi/2025-29/2025-29.html#a-discuter", - "title": "Bilan semaine 29 2025 : 15 juillet - 11 juillet", + "title": "Bilan semaine 29 2025 : 15 juillet - 18 juillet", "section": "A discuter", "text": "A discuter\n\nCongés P&S\n\n\nThèse\n\nFaire préz CSI\nFaire rapport CSI\n\n\n\nInterprétation écologiques résultats de Baldock\n\n⌛ Point avec Elisa, oui on relance\n\n\n\nInférence\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS" }, @@ -298,7 +298,7 @@ "href": "index.html#journaux", "title": "Journal suivi de la thèse", "section": "Journaux", - "text": "Journaux\n\n\n\n\n\n\n\n\n\n\nBilan semaine 29 2025 : 15 juillet - 11 juillet\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n15 juil. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 28 2025 : 07 juillet - 11 juillet\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n7 juil. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 27 2025 : 30 juin - 4 juillet\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n30 juin 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 25 2025 : 16 juin - 20 juin\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n20 juin 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 24 2025 : 10 juin - 13 juin\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n13 juin 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 22 2025 : 26 mai - 30 mai\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n28 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 21 2025 : 26 mai - 30 mai\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n23 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 20 2025 : 12 mai - 16 mai\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n16 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 19 2025 : 5 mai - 9 mai\n\n\n\ncolBiSBM\n\ninférence\n\n\n\n\n\n\n\n\n\n9 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 18 2025 : 28 avril - 2 mai\n\n\n\ncolBiSBM\n\ninférence\n\n\n\n\n\n\n\n\n\n2 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 17 2025 : 24 avril - 25 avril\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n25 avr. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 16 2025\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n18 avr. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 15 2025 : 31 mars-4 avril\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n4 avr. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 14 2025 : 24-28 mars\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n28 mars 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 13 2025 : 17-21 mars\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n17 mars 2025\n\n\nLouis Lacoste\n\n\n\n\n\nAucun article correspondant" + "text": "Journaux\n\n\n\n\n\n\n\n\n\n\nBilan semaine 29 2025 : 15 juillet - 18 juillet\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n15 juil. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 28 2025 : 07 juillet - 11 juillet\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n7 juil. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 27 2025 : 30 juin - 4 juillet\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n30 juin 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 25 2025 : 16 juin - 20 juin\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n20 juin 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 24 2025 : 10 juin - 13 juin\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n13 juin 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 22 2025 : 26 mai - 30 mai\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n28 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 21 2025 : 26 mai - 30 mai\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n23 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 20 2025 : 12 mai - 16 mai\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n16 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 19 2025 : 5 mai - 9 mai\n\n\n\ncolBiSBM\n\ninférence\n\n\n\n\n\n\n\n\n\n9 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 18 2025 : 28 avril - 2 mai\n\n\n\ncolBiSBM\n\ninférence\n\n\n\n\n\n\n\n\n\n2 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 17 2025 : 24 avril - 25 avril\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n25 avr. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 16 2025\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n18 avr. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 15 2025 : 31 mars-4 avril\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n4 avr. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 14 2025 : 24-28 mars\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n28 mars 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 13 2025 : 17-21 mars\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n17 mars 2025\n\n\nLouis Lacoste\n\n\n\n\n\nAucun article correspondant" }, { "objectID": "suivi/2025-13/2025-13.html", diff --git a/suivi/2025-29/2025-29.html b/suivi/2025-29/2025-29.html index 4a35784..f9e9355 100644 --- a/suivi/2025-29/2025-29.html +++ b/suivi/2025-29/2025-29.html @@ -8,7 +8,7 @@ -Bilan semaine 29 2025 : 15 juillet - 11 juillet – Suivi de la thèse +Bilan semaine 29 2025 : 15 juillet - 18 juillet – Suivi de la thèse