Cette semaine j’ai :
+-
+
- Fini d’intégrer à colSBM tous les changements (clustering dérecursifier pour uni et bipartites& cli …) et contacter Saint-Clair pour passer colSBM sous GrossSBM. +
- Relancer et obtenus les résultats pour le clustering sur les réseaux Baldock +
-
+
Relancer et obtenus les résultats pour les simus ajoutant du bruits sur les structures et liens
+-
+
- Pour noisy \alpha: +
Plan de simulation 2 collections (d\in (1,2)) avec M = 30 soit 15 réseaux par type. n_r = n_c = 120 et \pi_1 = \begin{pmatrix} 0.5, 0.3, 0.2\end{pmatrix},~ + \rho_1 = \begin{pmatrix}0.4, 0.3, 0.2, 0.1\end{pmatrix},~ + \alpha_1 = \begin{pmatrix} + 0.85& 0.4& 0.2& 0.15\\ + 0.6& 0.2& 0.15& 0.15\\ + 0.2& 0.15& 0.15& 0.7 + \end{pmatrix}
+\pi_2 = (0.5, 0.3, 0.2),~ + \rho_2 = (0.45, 0.3, 0.25),~ + \alpha_2 = \begin{pmatrix} + 0.65& 0.15& 0.15\\ + 0.15& 0.8& 0.15\\ + 0.15& 0.15& 0.4 + \end{pmatrix}
+\epsilon \in (0, 0.01, \dots 0.05) qui est l’écart-type d’une \mathcal{N}_{Q_1^d \times Q_2^d}(0,\epsilon^2) = vec(N^m), \forall m \in (1,\dots, M). Et \forall m, X^m \sim LBM_{n_r,n_c}(Q_1^d, Q_2^d, \alpha_d + N^m, \pi_d, \rho_d)
+Résultats :
+-
+
- Pour noisy links: +
Plan de simu M = 30, n_r = n_c = 120. \pi_1 = \begin{pmatrix} 0.5, 0.3, 0.2\end{pmatrix},~ + \rho_1 = \begin{pmatrix}0.4, 0.3, 0.2, 0.1\end{pmatrix},~ + \alpha_1 = \begin{pmatrix} + 0.85& 0.4& 0.2& 0.05\\ + 0.6& 0.2& 0.05& 0.05\\ + 0.2& 0.05& 0.05& 0.7 + \end{pmatrix}
+\pi_2 = (0.5, 0.3, 0.2),~ + \rho_2 = (0.45, 0.3, 0.25),~ + \alpha_2 = \begin{pmatrix} + 0.65& 0.05& 0.05\\ + 0.05& 0.8& 0.05\\ + 0.05& 0.05& 0.4 + \end{pmatrix}
+\epsilon \in (0, 0.05, \dots 0.5), indices de la matrice = sample.int(n_r \times n_c, size = n_r \times n_c \times \epsilon). Les indices tirés inverse la valeur du lien (1 -> 0, 0 -> 1)
+
-
+
Relancer simulations robustesse aux NAs
+Changer les plots résultats NAs pour faire sous-plots comparant sep vs model.
+