133 lines
No EOL
5.4 KiB
Text
133 lines
No EOL
5.4 KiB
Text
---
|
|
title: "Bilan semaine 9 2026 : 23 février - 27 février"
|
|
categories: [colBiSBM, inférence, GNN]
|
|
date: 2026 02 23
|
|
date-modified: last-modified
|
|
bibliography: references.bib
|
|
# from: markdown+latex_macros
|
|
---
|
|
{{< include /_macros.tex >}}
|
|
|
|
## TODO List
|
|
|
|
- Petites opérations sur les OTUs (regarder la matrice dans les yeux):
|
|
- Ranger les OTUs par variances (i.e. `sd(OTU_j)`)
|
|
- HMC sur-dispersés (au-dessus bissectrice)
|
|
- Enterotype phyloseq sous-disp
|
|
- Regarder la proportion de 1. taxon rares, 2. zeros.
|
|
- Faire des coupures selon niveaux taxonomiques et regarder si $\Var_{\text{intra}} \approx \Var_{\text{inter}}$
|
|
- *Bonus*: faire ça dans qmd et voir si forge permet gitlab pages
|
|
|
|
|
|
- ✅ Avec blockmodels, codé un LBM-Séquentiel. *Des différences contrastées...*
|
|
- [Lien vers l'application du LBM séquentiel sur les données de Chaillou](analysis_benchmark_lbm_seq.html)
|
|
|
|
- Relire @peixotoHierarchicalBlockStructures2014
|
|
- Regarder les gens qui citent les travaux de Peixoto
|
|
- Utiliser graphtools en initialisant la recherche Nested avec le partitionnement donné par l'arbre phylogénétique.
|
|
|
|
- ⌛ **En cours** Implémentation `blockmodels` LBM avec covariables sur proportions (voir @eq-modele-covar-prop)
|
|
|
|
:::{.callout-note title="Idées"}
|
|
|
|
- Trouver manière de faire un compromis : $\ell(Y,Z,W;\theta) - \lambda d(C(W),C_0)$ avec $C(W)$ le clustering seulement sur la base de la structure LBM et $C_0$ le clustering de l'arbre. Problème $d$ est une distance entre partition, comment optimiser dessus ?
|
|
- ⌛ Mise à jour partielle des $\tau$ : ce qui pose soucis c'est les gros calculs matriciels (c'est vraiment vrai?). Donc sorte de "stochastic" VEM où on update seulement une partie des $\tau$ à chaque itération. Et échantillonnage stratifié selon l'arbre ?
|
|
- ⌛ Simulations avec $n_2$ croissant lancée sur Migale
|
|
- Réimplementé VE Bernoulli dans colSBM pour Bipartite et début implémentation Stochastic VE. En fait le problème des calculs matriciels $Y\times(\tau^{(1)})^{\top}$ ($n_2^2$) donc besoin de sous-échantillonner les noeuds de l'autre dimension à mettre à jour.
|
|
|
|
|
|
:::
|
|
|
|
- Clustering unipartite j'ai cassé une fonction de distance à vérifier et réparer
|
|
|
|
- Codes pour le papier :
|
|
- Nettoyer les scripts
|
|
- Faire un joli README
|
|
- ❓Faire des notebooks
|
|
|
|
- Réussir à reproduire résultat de @abramovStructureKnowsBest
|
|
|
|
- Maitriser graphtools de Peixoto pour essayer d'utiliser l'arbre taxonomique sur graphe de cooccurence inférer par SparCC
|
|
|
|
- Maitriser SparCC
|
|
|
|
- 👶 (délégué à Mona) Clustering sur Doré :
|
|
- Ajouter Chao1 et 2, colonne par colonne (site par site), et faire indice moyen et la variance.
|
|
|
|
### Inférence et microbes
|
|
|
|
- ⌛ (En cours) Possible en modifiant lbm.h et sbm.h d'obtenir un modèle utilisant les covariables de groupes (de blocs ?).
|
|
Car besoin de changer `membership.m_step()` pour mettre à jour $\pmb\pi$ et $\pmb{\rho}$ en utilisant les $\pmb B^{\top}\pmb X$
|
|
et en renvoyant l'ELBO adaptée.
|
|
- 😄 Avantage s'inscrit directement dans blockmodels et permet d'avoir toutes les lois d'émissions déjà codées et compatibles !
|
|
|
|
- 😢 Besoin de réfléchir a une bonne implémentation.
|
|
|
|
J'ai codé l'optimisation et les transferts mais il faut que je vérifie que tout fonctionne
|
|
|
|
- ✅ Appliqué multipartite sur $\forall i, OTU_i \times Sample$:
|
|
|
|
|
|
#### Bibliographie: à lire, à faire
|
|
|
|
- Lire article multi-niveaux Saint-Clair
|
|
- 🆕 🔎 Trouver des papiers:
|
|
- LBM Negative Binomial
|
|
- Network inference through sample comparison
|
|
|
|
- Idée des groupes sur la base de distance phylogénétique:
|
|
- En train de comprendre les distances que phyloseq permet de calculer sur notre exemple
|
|
- En train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html
|
|
- Parametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)
|
|
- Lire Papier UniFrac
|
|
|
|
|
|
#### Écrire et faire tourner
|
|
|
|
- 🆕 SparCC à différent niveaux
|
|
- 🆕⌛ Tree-PLN à différents niveaux
|
|
|
|
|
|
#### Causalité
|
|
|
|
Plus sur le temps long, à regarder
|
|
|
|
- GT causalité
|
|
- Daria Bystrova lire présentation @bystrovaCausalDiscovery (Meek rules, V-structure)
|
|
|
|
## A discuter
|
|
|
|
- 🆕 Voir pour des Réseaux / GDR ou aller
|
|
- 🆕 Chercher des cours à suivre
|
|
|
|
## Biblio à faire
|
|
|
|
- Regarder Transport optimal graphes bipartite.
|
|
|
|
|
|
## Lectures en cours 📚
|
|
|
|
### HDR Vincent Brault
|
|
|
|
- ⌛ Chap 2 : Creuser l'idée de maximiser l'énergie libre, très intéressant regarder le critère CARI et lire Robert et al 2021. Actuellement p32 du manuscrit
|
|
- Chap 3
|
|
|
|
### OT
|
|
- ⌛ @mazeletUnsupervisedLearningOptimal Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.
|
|
- ⌛ @nennaLecture2Entropic Pour comprendre le problème d'OT régularisé pour l'entropie.
|
|
- ⌛ @nennaLecture1Monge
|
|
|
|
### Inférence de graphes
|
|
|
|
- ⌛ @aitchisonStatisticalAnalysisCompositional1982a, en cours
|
|
|
|
- ❗📖 @payneFiniteMixturesMultivariate2023 sur MixMPLN
|
|
|
|
### Causalité
|
|
|
|
- ❗📖 @bystrovaCausalDiscovery
|
|
|
|
### Largest Gaps
|
|
|
|
- ❗📖 @braultFastConsistentAlgorithm2023
|
|
- ❗📖 @channarondClassificationEstimationStochastic2012 le papier qui introduit le *Largest Gaps* |