Ajout semaine 24

suivi/2025-24/2025-24.qmd

@@ -0,0 +1,141 @@
+---
+title: "Bilan semaine 24 2025 : 10 juin - 13 juin"
+categories: [colBiSBM, inférence, GNN]
+date: 2025 06 13
+---
+
+## TODO List
+
+- Pour clustering de collections sur données réelles :    
+    → L'intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs $(Q_1,Q_2)$.
+    - Faire le `hclust` avec 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.
+    - ▶️ Je commence à coder ça 
+- Idée de Sophie : alterner descendant et ascendant → prometteur aussi
+    - J'ai codé le fichier de simulations et débugguer le vecteur de clustering ▶️ à voir les performances.
+- Pour les deux propositions données simulées tester diverses distances.
+
+
+- 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.
+
+- 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. 
+
+### Applications
+
+- Kmeans sur la densité des réseaux subdoré pour pré-partitionner et *clusteriser*.
+Car densités déséquilibrées.
+
+:::{#ref-kmeans-vae}
+
+- Faire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l'espace latent
+J'ai commencé à regarder un peu
+
+:::
+
+- Comparer les perfs du VAE sur Baldock avec colBiSBM par exemple
+
+### Inférence et microbes
+
+- Lancer *colBiSBM* sur $OTU\times Sample$ → problème du chargement en mémoire des données à voir
+- Se renseigner techniques d'inférence de réseaux : 
+    - covariance (base corrélation et seuil)
+    - GraphicalLASSO
+    - Co-occurence
+- Lancer *colSBM* sur $OTU\times OTU$
+- Creuser [TabNet](https://raw.githubusercontent.com/cregouby/R-toulouse-tabnet/main/Tabnet_RR2023_fr_pdf.pdf) de Christophe Regouby et les [exercices](https://github.com/cregouby/Tutoriel_torch)
+- Regarder **SPARTA** Rennes
+- Lire Papiers compositional data (Aitchison et al. intro)
+- Lire article multi-niveaux Saint-Clair
+- Demander à JA si elle connaît des réseaux d'interactions connus par les experts (idée d'intégrer une connaissance experte et de voir les différences de structure par rapport à celle attendue)
+- Ecrire et étudier les modèles pour différents niveaux taxonomiques.
+\begin{align*}
+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*}
+
+## A discuter
+
+### Inférence
+
+- Papier pour comprendre données 
+    - ~~Faust et al.~~
+    - Abdill et al.
+    - Bashan et al.
+
+- pbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU ...)
+
+> Combine networks at different taxonomic levels
+
+- Inférence + GREMLINS
+
+### Rédaction article
+
+- Relire intro St Clair
+- S'inspirer structure pour mon intro
+- Trouver biblio intro
+- Rédiger l'intro
+- Dire résultats nettement meilleurs et variabilités inférieures.
+
+
+## A continuer
+
+### Applications
+
+- Idée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d'urbanisation
+
+> Sophie a fait une appli qui marche bien et va dans le sens de l'analyse faite
+(à savoir pas d'effet du gradien d'urbanisation). À continuer pour l'intégrer dans l'article !
+
+### Axe inférence
+
+- Lire biblio fournie Julie, Inférence de réseaux : co-occurence
+
+> J'ai lu Faust et al. 
+> Je lis Abdill et al.
+
+## Repoussés ou abandonnés
+:::{.callout-note collapse="true"}
+## Déplier pour voir
+ - Résultats simus NA **Erreur pour certaines conditions** : Pour NA robustness générer `nb_rep` collections 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.
+
+> Je n'arrive pas à comprendre les erreurs qui arrivent 
+
+- Lire Biological Networks -  François Képès
+
+- Regarder les applications pour les collections de réseaux recommender system *Pas pertinents et trop gros*
+
+:::{#lst-reco-systems lst-cap="Recommender systems data"}
+Par exemple :
+
+- [Liste de recommendation data](https://cseweb.ucsd.edu/~jmcauley/datasets.html)
+:::
+
+
+### Papier plus multi-applications
+- Données d'Elisa herbivore ?
+- Données urbanisations ?
+
+### Autour de l'article et du package
+
+- Créer des vignettes illustrant par exemple des cas de simulations. **Possible de mettre l'exemple d'application de Sophie sur les réseaux avec gradient d'urbanisation**.
+
+### Simulations article
+
+- Comparer sur clustering unipartite avec versions symétriser des par blocs des matrices d'adjacences.
+
+- Corriger structure de simus :
+    - Pour noisy $\alpha$ : 
+        - Logit pour envoyer la gaussienne vers (0,1)
+        - Beta contrainte dans (0,1)
+    - Pour noisy links : Générer `nb_clustering` collections de taille M puis prélever $\epsilon_{max}n_r n_c$ liens à inverser puis pour les $\epsilon < \epsilon_{max}$ prélever dans la liste des indices afin d'avoir des perturbations emboitées. 
+:::