diff --git a/suivi/2025-17/2025-17.qmd b/suivi/2025-17/2025-17.qmd
new file mode 100644
index 0000000..e3dbcba
--- /dev/null
+++ b/suivi/2025-17/2025-17.qmd
@@ -0,0 +1,123 @@
+---
+title: "Bilan semaine 17 2025 : 24 avril - 25 avril"
+categories: 
+  - colBiSBM
+---
+
+## A faire
+
+### 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.
+
+### Simulations article
+
+
+- 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 $M_1 = M_2 = M_3 = 10$.
+
+- 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*.
+
+### 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
+
+- Créer un README descriptif du dépôt des codes pour l'article.
+
+- Remonter figure sélection de modèle dans le corps de l'article
+- Enrichir légende de la figure 7 et 8
+- Supprimer p_NA des autres cadrans des proportions de NA
+
+- Basculer le code du clustering pour utiliser hclust et mis l'argument method de hclust avec single par défaut
+
+- Ajouter pipeline qui knit README.Rmd à chaque merge dans main colSBM 
+
+## 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
+
+- J'ai esquissé des bouts d'intro
+
+- 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
+
+
+### Correction méthodo
+- Idée Pierre : Regarder la contribution au BICL de la collection des réseaux 
+et comparer au sep BICL pour essayer de repérer les outliers. En regardant la vbound (pas la pénalité) de chaque réseau dans le joint vs sa vbound dans le sep
+-> Résultats : pas de différences majeures entre les réseaux avec le rapport vbound_joint/vbound_sep, les outliers ne sont pas marqués. 
+
+- Regarder si plutôt que k médioid possible meilleurs résultats avec d'autres distances hclust avec min, max etc...
+-> L'algo PAM donne des clusters équilibrés sans séparer les outliers
+Je regarde avec plutôt des hclust avec métrique single pour séparer les outliers.
+
+- Voir si in fine possible de repérer des outliers à partir de ces nouvelles métriques
+
+- Regarder la répartition de densité dans les réseaux sub-doré -> déséquilibrée
+
+![](figs/density-subdore.png)
+
+
+    En faisant des clusterings par densité on constate qu'avec un modèle iid pour des réseaux dont la densité est entre :
+    - 0 et 0.05 : Baldock et Souza tout le monde se retrouvait ensemble avec *Partitioning around medoids*
+
+### 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 !
+
+
+### Lancer clustering auteur par auteur du sub-Doré : 5 collections différentes dans l'idée.
+
+Une fois fait, Sophie ne trouve pas que ce soit le plus pertinent pour illustrer le clustering.
+Plus intéressant de garder le clustering de données simulées ($M = 30$) et se 
+servir des exemples dessous et des parcours exhaustif des possibilités de partitionnement comme comparatif. 
+
+#### Baldock
+
+![Alluvial Baldock](figs/subdore-per-author/subdore_baldock_alluvial_clusterings.png)
+
+#### Gibson
+![Alluvial Gibson](figs/subdore-per-author/subdore_gibson_alluvial_clusterings.png)
+
+
+#### Souza
+
+![Alluvial Souza](figs/subdore-per-author/subdore_souza_alluvial_clusterings.png)
+
+#### Traveset
+
+![Alluvial Traveset](figs/subdore-per-author/subdore_traveset_alluvial_clusterings.png)
+
+#### Trojelsgaard
+
+![Alluvial Trojelgaard](figs/subdore-per-author/subdore_trojelsgaard_alluvial_clusterings.png)
+