87 lines
No EOL
3.3 KiB
Text
87 lines
No EOL
3.3 KiB
Text
---
|
|
title: "Bilan semaine 19 2025 : 5 mai - 9 mai"
|
|
categories: [colBiSBM, inférence]
|
|
---
|
|
|
|
## A faire
|
|
|
|
### ML at Aussois
|
|
|
|
- Détails d'inscriptions
|
|
|
|
### Stratégie suite : Inférence
|
|
|
|
- Papier pour comprendre données
|
|
|
|
- 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
|
|
- Regarder les applications pour les collections de réseaux recommender system
|
|
- Lire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson
|
|
|
|
- Dire résultats nettement meilleurs et variabilités inférieures.
|
|
|
|
- Intégrer les retours de Sophie
|
|
|
|
### 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.
|
|
|
|
### Applications
|
|
|
|
- Kmeans sur la densité des réseaux subdoré pour pré-partitionner et *clusteriser*.
|
|
Car densités déséquilibrées.
|
|
|
|
### 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**.
|
|
|
|
## J'ai fait
|
|
|
|
|
|
## A continuer
|
|
|
|
- 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 *en attente des résultats MIGALE*.
|
|
|
|
- Lire Biological Networks - François Képès
|
|
|
|
- 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
|
|
|
|
### 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 !
|
|
|
|
### Simulations article
|
|
|
|
- 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 $M_1 = M_2 = M_3 = 10$.
|
|
|
|
### Axe inférence
|
|
|
|
|
|
- Lire biblio fournie Julie, Inférence de réseaux : co-occurence
|
|
|
|
> J'ai commencé à lire Faust et al. |