---
title: "Bilan semaine 27 2025 : 30 juin - 4 juillet"
categories: [colBiSBM, inférence, GNN]
date: 2025-06-30
date-modified: last-modified
bibliography: references.bib
---

## 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 $(Q_1,Q_2)$.
    - ❓Je n'arrive plus à reproduire le bug pour l'inférence...
    - S'assurer que ça marche et relancer

- 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.

- **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}

- Faire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l'espace latent
J'ai commencé à regarder un peu

:::

### Inférence et microbes

- Lancer *colBiSBM* sur $OTU\times Sample$ → problème du chargement en mémoire des données à voir
- 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
- TabNet pratiquer 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
- 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*}

#### 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
- ⌛ @nennaLecture2Entropic Pour comprendre le problème d'OT régularisé pour l'entropie.
- ⌛ @nennaLecture1Monge

### Inférence de graphes

- ✅ @Morton2021.11.09.467939 VAE with Multinomial Logistic Normal distribution using Isometric Log Ratio tranform.
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 ? Et donc quand est-ce qu'on se voit après ?
- ✅ Calendrier partagé

### Thèse

- ✅ Que prévoir pour le CSI 
    - 👍 Un petit rapport
    - 👍 Une présentation

- 👨‍🏫 **Demander à Pierre** Comment valider les enseignements comme formations Adum ?

- ✅ Des recommandations de formations, voir les cours du MathSV

### Interprétation écologiques résultats de Baldock

- ⌛ Point avec Elisa, **oui on relance**

### Inférence

- pbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU ...)

> Combine networks at different taxonomic levels

- Inférence + GREMLINS