From 99515c3795d5ef6555133403646439b5cfbcc3d9 Mon Sep 17 00:00:00 2001 From: Woodpecker CI Date: Tue, 15 Jul 2025 12:57:37 +0000 Subject: [PATCH] Deploy site [CI SKIP] --- index.html | 30 ++++++------ search.json | 4 +- suivi/2025-29/2025-29.html | 94 +++++++++++++++++++++++++++++++++++++- 3 files changed, 109 insertions(+), 19 deletions(-) diff --git a/index.html b/index.html index 7a82709..63f451f 100644 --- a/index.html +++ b/index.html @@ -263,7 +263,7 @@ Agenda

Journaux

-
+
 
@@ -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 81bc888..0c2fd24 100644 --- a/search.json +++ b/search.json @@ -207,14 +207,14 @@ "href": "suivi/2025-29/2025-29.html", "title": "Bilan semaine 29 2025 : 15 juillet - 11 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\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…\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)" }, { "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", "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\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…\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)" }, { "objectID": "suivi/2025-29/2025-29.html#biblio-à-faire", diff --git a/suivi/2025-29/2025-29.html b/suivi/2025-29/2025-29.html index ced8850..4a35784 100644 --- a/suivi/2025-29/2025-29.html +++ b/suivi/2025-29/2025-29.html @@ -267,8 +267,98 @@ window.Quarto = {

  • Creuser et explorer avec easy16s !

  • ⌛ 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

  • Ajouter au tableau comparatif sep BiSBM

    • -

  • Regarder les codes Mangal database pour \delta

    • -

  • Voir \delta mais additif

    • + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
    +AUC values for colBiSBM, sep-BiSBM and VGAE models across cities +
    + +
    +AUC +
    +
    +City + +colBiSBM + +sep-BiSBM + +Untuned VGAE +
    +Bristol + +0.841 + +0.824 + +1 +
    +Edinburgh + +0.882 + +0.883 + +1 +
    +Leeds + +0.873 + +0.852 + +1 +
    +Reading + +0.845 + +0.837 + +1 +
    +
      +
    • Regarder les codes Mangal database pour \delta
      • +
    • Voir \delta mais additif