109 lines
No EOL
4 KiB
Text
109 lines
No EOL
4 KiB
Text
---
|
|
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
|
|
|
|
- ⌛ **Calcul du score F1**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 |