diff --git a/knowledge_base/colsbm_application_reseaux_et_agri.qmd b/knowledge_base/colsbm_application_reseaux_et_agri.qmd
index c168ea5..f43f808 100644
--- a/knowledge_base/colsbm_application_reseaux_et_agri.qmd
+++ b/knowledge_base/colsbm_application_reseaux_et_agri.qmd
@@ -1,6 +1,6 @@
 ---
 title: "Pour application du modèle colBiSBM sur données interaction PP et pratiques agricoles"
-categories: [phylogénie, graphes, lbm, sbm]
+categories: [application, agricole, graphe, collection, lbm, sbm]
 ---
 {{< include /_macros.tex >}}
 
diff --git a/knowledge_base/vae_wasserstein_gromov.qmd b/knowledge_base/vae_wasserstein_gromov.qmd
new file mode 100644
index 0000000..abf8196
--- /dev/null
+++ b/knowledge_base/vae_wasserstein_gromov.qmd
@@ -0,0 +1,24 @@
+---
+title: "Variational Graph AutoEncoder with Wasserstein"
+categories: [convolution, machine learning, vae, graphes]
+---
+{{< include /_macros.tex >}}
+
+Suite à la discussion avec Julian j'inscris ce que l'on s'est dit.
+
+# Idée principale
+
+Les VAE avec convolution de graphes (GCN) permettent d'apprendre une représentation latente des noeuds d'un graphe basée sur les interactions entre noeuds.
+
+**Objectif** : apprendre un même encodeur et donc un espace latent structuré pour clusteriser une collection de réseaux sur la base de la structure.
+*Sous-objectif* : pouvoir prendre en compte des covariables (Fused Wasserstein ?).
+
+Principe du VAE:
+
+Soit $Y$ une matrice d'adjacence (ou de bi-adjacence pour les graphes bipartites), $X$ une matrice de covariables.
+
+Soit $D_1$ la matrice des degrés en ligne, $D_2$ la matrice des degrés en colonne.
+
+$\widetilde{Y} = D_1^{-1/2} Y D_2^{-1/2}$ 
+
+# Hypersphère méga cool
\ No newline at end of file