Ajout modifications suite réunion Sophie

suivi/2025-27/2025-27.qmd

@@ -15,13 +15,19 @@ bibliography: references.bib
 
 - Creuser et explorer avec easy16s !
 
+- ✅ Ajouter le tableau de comparaison du VGAE avec colBiSBM
+
+- Revérifier que j'entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant
+
+- Regarder la liste des cours du MathSV et de l'Université Paris-Saclay.
+
 - Dé-bugger les simulations :
 
     - ⌛ 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.
         - ⌛Bon le bug ne se reproduit plus... les jobs sont juste trop longs (> 120h) j'ai relancé, il ne reste que 182/972 conditions.
 
-- Kmeans sur la densité des réseaux subdoré pour pré-partitionner et *clusteriser*.
+- **Plutôt regarder pour introduire un modèle $\delta$-colBiSBM**. Kmeans sur la densité des réseaux subdoré pour pré-partitionner et *clusteriser*.
 Car densités déséquilibrées. 
 
 :::{#ref-kmeans-vae}
@@ -46,7 +52,14 @@ i \rightarrow &~N^1_i \subseteq N^2_i \subseteq N^3_i & \text{Taxonomie}\\
 Z^0_i \overset{?}{=} & Z^1_i \overset{?}{=}  Z^2_i \overset{?}{=} Z^3_i & \text{Groupes fonctionnels}
 \end{align*}
 
-## Lecture en cours
+#### Causalité
+
+Plus sur le temps long, à regarder
+
+- GT causalité
+- Daria Bystrova lire présentation @bystrovaCausalDiscovery (Meek rules, V-structure)
+
+## Lectures en cours 📚
 
 ### OT
 - ⌛ @mazeletUnsupervisedLearningOptimal Intéressant pour le transport optimal entre graphes de tailles différentes
@@ -60,26 +73,32 @@ Plus rapide que les autres méthodes et performances équivalentes
 
 - ⌛ @aitchisonStatisticalAnalysisCompositional1982a
 
+- ❗📖 @payneFiniteMixturesMultivariate2023 sur MixMPLN
+
+### Causalité
+
+- ❗📖 @bystrovaCausalDiscovery
+
 ## A discuter
 
 ### Congés P&S
 
-Quand est-ce qu'on ne se voit pas ?
+- ✅ Quand est-ce qu'on ne se voit pas ? Et donc quand est-ce qu'on se voit après ?
-Et donc quand est-ce qu'on se voit après ?
+- ✅ Calendrier partagé
 
 ### Thèse
 
-- Que prévoir pour le CSI ?
+- ✅ Que prévoir pour le CSI 
-    - Un petit rapport ?
+    - 👍 Un petit rapport
-    - Une présentation
+    - 👍 Une présentation
 
-- Comment valider les enseignements comme formations Adum ?
+- 👨‍🏫 **Demander à Pierre** Comment valider les enseignements comme formations Adum ?
 
-- Des recommandations de formations ?
+- ✅ Des recommandations de formations, voir les cours du MathSV
 
 ### Interprétation écologiques résultats de Baldock
 
-- ❓ Point avec Elisa ?
+- ⌛ Point avec Elisa, **oui on relance**
 
 ### Inférence
 

suivi/2025-27/references.bib

@@ -65,3 +65,29 @@
                   Read\_Status\_Date: 2025-05-07T07:43:38.485Z},
   file         = {/home/louis/snap/zotero-snap/common/Zotero/storage/S97URH4Y/Aitchison - 1982 - The Statistical Analysis of Compositional Data.pdf}
 }
+@online{payneFiniteMixturesMultivariate2023,
+  title       = {Finite {{Mixtures}} of {{Multivariate Poisson-Log Normal Factor Analyzers}} for {{Clustering Count Data}}},
+  author      = {Payne, Andrea and Silva, Anjali and Rothstein, Steven J. and McNicholas, Paul D. and Subedi, Sanjeena},
+  date        = {2023-11-13},
+  eprint      = {2311.07762},
+  eprinttype  = {arXiv},
+  eprintclass = {stat},
+  doi         = {10.48550/arXiv.2311.07762},
+  url         = {http://arxiv.org/abs/2311.07762},
+  urldate     = {2025-07-02},
+  abstract    = {A mixture of multivariate Poisson-log normal factor analyzers is introduced by imposing constraints on the covariance matrix, which resulted in flexible models for clustering purposes. In particular, a class of eight parsimonious mixture models based on the mixtures of factor analyzers model are introduced. Variational Gaussian approximation is used for parameter estimation, and information criteria are used for model selection. The proposed models are explored in the context of clustering discrete data arising from RNA sequencing studies. Using real and simulated data, the models are shown to give favourable clustering performance. The GitHub R package for this work is available at https://github.com/anjalisilva/mixMPLNFA and is released under the open-source MIT license.},
+  pubstate    = {prepublished},
+  keywords    = {/unread,Statistics - Computation,Statistics - Machine Learning,Statistics - Methodology},
+  annotation  = {Read\_Status: New\\
+                 Read\_Status\_Date: 2025-07-02T09:31:47.579Z},
+  file        = {/home/louis/snap/zotero-snap/common/Zotero/storage/BXVPEIDD/Payne et al. - 2023 - Finite Mixtures of Multivariate Poisson-Log Normal Factor Analyzers for Clustering Count Data.pdf;/home/louis/snap/zotero-snap/common/Zotero/storage/L5DAS5C2/2311.html}
+}
+@unpublished{bystrovaCausalDiscovery,
+  title      = {Causal Discovery},
+  author     = {Bystrova, Daria},
+  langid     = {english},
+  keywords   = {/unread},
+  annotation = {Read\_Status: New\\
+                Read\_Status\_Date: 2025-07-02T09:34:39.476Z},
+  file       = {/home/louis/snap/zotero-snap/common/Zotero/storage/NQE5DY92/Bystrova - Causal discovery.pdf}
+}