Update

suivi/2025-42/2025-42.qmd

@@ -1,7 +1,7 @@
 ---
-title: "Bilan semaine 41 2025 : 06 octobre - 10 octobre"
+title: "Bilan semaine 43 2025 : 20 octobre - 24 octobre"
 categories: [colBiSBM, inférence, GNN]
-date: 2025 10 06
+date: 2025 10 20
 date-modified: last-modified
 bibliography: references.bib
 ---
@@ -10,10 +10,12 @@ bibliography: references.bib
 
 - Finir le papier :
     - Re-structurer le plan, mon plan, Donnet et Barbillon, échelle méso et comparaison inter réseau et noeuds non partagés.
-    - Écrire en annexe le BIC-L, faire attention à ajouter l'entropie à la toute fin en mentionnant 
-    - Fusionner VGAE et information transfer (missing links seulement) donc refaire tourner sur même données qu'en R. A adapter pour Python et pouvoir intégrer dans la figure. (raccourcit)
-    - Remplacer *Information tranfer on simu* par Network partitioning.
-    - Écrire le poster avec un titre aguicheur "Are my pollinators your pollinators: ..."
+    - ✅ Écrire en annexe le BIC-L, faire attention à ajouter l'entropie à la toute fin en mentionnant 
+    - ⌛ Fusionner VGAE et information transfer (missing links seulement) donc refaire tourner sur même données qu'en R. A adapter pour Python et pouvoir intégrer dans la figure. (raccourcit). 
+        En train de reproduire les résultats, AUC stable autour de 0.7
+    - Remplacer *Information tranfer on simu* par Network partitioning. 
+    - ⌛ Écrire le poster avec un titre aguicheur "Are my pollinators your pollinators: ...":
+        Commencé contenu à déterminer avec Pierre et Sophie
 
 - Maitriser graphtools de Peixoto pour essayer d'utiliser l'arbre taxonomique sur graphe de cooccurence inférer par SparCC
 
@@ -23,11 +25,11 @@ bibliography: references.bib
 
 - Clustering unipartite j'ai cassé une fonction de distance à vérifier et réparer 
 
-- Idée clustering unipartite graphes des métros
+<!-- - Idée clustering unipartite graphes des métros
 <div class="embed-container">
     <iframe src="https://csun.uic.edu/wp-content/uploads/sites/1080/2023/12/pdf_7.pdf" width=100% height="475px" style="position: relative;">
     </iframe>
-</div>
+</div> -->
 
 - Pour clustering de collections sur données ~~réelles~~ :    
     &rarr; L'intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs $(Q_1,Q_2)$.