-
+
@@ -252,7 +252,7 @@ Pour clustering de collections sur données réelles :
-
+
-
+
-
+
-
+
-
+
-
+
-
+
@@ -203,7 +203,12 @@ window.Quarto = {
Inférence
Rédaction article
- J’ai fait
+ J’ai fait
+
A continuer
- Applications @@ -225,155 +230,31 @@ window.Quarto = {
Pour clustering de collections sur données réelles :
-
-
- Relâcher la pénalité pour les coupes pour proposer modèles. -
- Calculer le BIC-L avec bonne pénalité pour détecter partitions prometteuses. +
Relâcher la pénalité pour les coupes pour proposer modèles.
+
→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).
+-
+
- Faire le
hclustavec diverses distances et voir si les coupes proposées diffèrent sensiblement
+ - Si plusieurs clustering possibles les tester et sélectionner le meilleur
- Ré-ajuster les bonnes partitions.
-Dé-bugger pourquoi
BipartiteInnerProductDecoder.forward() -> NaN
+Données simulées tester diverses distances.
Dé-bugger les simulations :
-
-
- Clustering : Relancer simulations de clustering avec M = 30 où M_i = 10, \forall i. En attente retour MIGALE 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.
-> BUG, dois creuser mais juste des problèmes techniques.Le bug venait probablement d’une inadéquation entre la version de future et future.callr, les résultats temporaires sont encourageants.
+ - Inférence : 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 -> BUG, dois creuser mais juste des problèmes techniques -> Visiblement il y a d’autres problèmes que juste le plan de parallélisation.
-- Clustering : Relancer simulations de clustering avec M = 30 où M_i = 10, \forall i. En attente retour MIGALE 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.
Inférence : 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 -> BUG, dois creuser mais juste des problèmes techniques -> Visiblement il y a d’autres problèmes que juste le plan de parallélisation.
Vérifier si problème de version tidyverse pour vapply sur l’inférence.
Si problème de parallélisation vient de pb de version future.callr le signaler à MIGALE.
PRÉSENTATION JDS (LSD), durée introuvable, adapter en anglais les slideset voir avec PB et SD.
-Quel plan ?
-Quels résultats ? Baldock, Traveset … (sub-Doré)
-Mettre le détails des formules et des algos pour VE et sélection de modèle en annexe.
-Préciser simplement que l’on utilise un algo VE et un critère type BIC.
-Pas la peine de préciser l’algo de clustering
-Indiquer sur une slide le problème de support pour \pi\rho à faire s’il y a le temps.
-Résultats sur les réseaux Baldock, regarder le positionnement par bloc des espèces communes, regarder les probas d’appartenance aux blocs par espèces communes et par réseau.
+PRÉSENTATION JDS (LSD), durée introuvable, adapter en anglais les slideset voir avec PB et SD.
+- Quel plan ? +
- Quels résultats ? Baldock, Traveset … (sub-Doré) +
- Pas la peine de préciser l’algo de clustering +
- Indiquer sur une slide le problème de support pour \pi\rho à faire s’il y a le temps. +
- Résultats sur les réseaux Baldock, regarder le positionnement par bloc des espèces communes, regarder les probas d’appartenance aux blocs par espèces communes et par réseau.
- Human Gut Compendium télécharger et analyser les données.
- Lancer colBiSBM sur OTU\times Sample
- Se renseigner techniques d’inférence de réseaux :
-
@@ -449,6 +329,34 @@ Reference 1
Dé-bugger les simulations :
+-
+
- Clustering : Relancer simulations de clustering avec M = 30 où M_i = 10, \forall i. En attente retour MIGALE 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.
-> BUG, dois creuser mais juste des problèmes techniques.Le bug venait probablement d’une inadéquation entre la version de future et future.callr, les résultats temporaires sont encourageants. J’ai mis les résultats dans l’article.
+
+- Clustering : Relancer simulations de clustering avec M = 30 où M_i = 10, \forall i. En attente retour MIGALE 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.
PRÉSENTATION JDS (LSD), durée introuvable, adapter en anglais les slideset voir avec PB et SD.
+Quel plan ?
+Quels résultats ? Baldock, Traveset … (sub-Doré)
+Mettre le détails des formules et des algos pour VE et sélection de modèle en annexe.
+Préciser simplement que l’on utilise un algo VE et un critère type BIC.
+Dé-bugger pourquoi-> C’était parce que les features en entrée n’était pas normalisée par les couches de convolutions. Les meilleurs résultats d’AUC et de précisions que j’obtiens par VGAE sont autour de 0.80.BipartiteInnerProductDecoder.forward() -> NaN
+- Human Gut Compendium télécharger et préparé les données. Mises au format
edgelistet extrait les infos supplémentaires.
+ - Résultats simus NA Erreur pour certaines conditions : Pour NA robustness générer
nb_repcollections 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.
-
-
-
-
-
-Note
-
-
-
-
-
-
-
-
-
-| epsilon | -model | -ARI | -nb_collections | -
|---|---|---|---|
| 0.1 | -iid | -0.41 \pm 0.12 | -2.8 \pm 0.44 | -
| 0.1 | -pi | -0.03 \pm 0.03 | -1.8 \pm 0.42 | -
| 0.1 | -pirho | -0.04 \pm 0.02 | -3.3 \pm 0.54 | -
| 0.1 | -rho | -0.09 \pm 0.04 | -3.5 \pm 0.58 | -
| 0.2 | -iid | -0.91 \pm 0.06 | -2.8 \pm 0.13 | -
| 0.2 | -pi | -0.59 \pm 0.12 | -3 \pm 0.55 | -
| 0.2 | -pirho | -0.57 \pm 0.14 | -4.5 \pm 0.67 | -
| 0.2 | -rho | -0.55 \pm 0.23 | -2.8 \pm 0.8 | -
| 0.3 | -iid | -1 | -3 | -
| 0.3 | -pi | -0.97 \pm 0.01 | -3.57 \pm 0.2 | -
| 0.3 | -pirho | -0.94 \pm 0.03 | -4 \pm 0.32 | -
| 0.3 | -rho | -0.89 \pm 0.09 | -3 \pm 0.32 | -
| 0.4 | -iid | -1 | -3 | -
| 0.4 | -pi | -1 | -3 | -
| 0.4 | -pirho | -0.86 \pm 0.11 | -3.33 \pm 0.41 | -
| 0.4 | -rho | -0.99 \pm 0.01 | -3.29 \pm 0.29 | -
-
-
Présentations LSD, JdS et ML@Aussois
-
-
Inférence et microbes
-
-
J’ai fait
+-
+
Présentations LSD, JdS et ML@Aussois
+-
+
VGAE
+-
+
Inférence et microbes
+-
+
A continuer
@@ -474,7 +382,7 @@ Reference 1Repoussés ou abandonnés
-
+
-
@@ -483,7 +391,7 @@ Déplier pour voir
+