126 lines
5.2 KiB
Text
126 lines
5.2 KiB
Text
---
|
|
title: "Bilan semaine 17 2025 : 24 avril - 25 avril"
|
|
categories:
|
|
- colBiSBM
|
|
format:
|
|
html:
|
|
embed-resources: true
|
|
---
|
|
|
|
## A faire
|
|
|
|
### 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.
|
|
|
|
### Simulations article
|
|
|
|
|
|
- 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 $M_1 = M_2 = M_3 = 10$.
|
|
|
|
- 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*.
|
|
|
|
### 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
|
|
|
|
- Créer un README descriptif du dépôt des codes pour l'article.
|
|
|
|
- Remonter figure sélection de modèle dans le corps de l'article
|
|
- Enrichir légende de la figure 7 et 8
|
|
- Supprimer p_NA des autres cadrans des proportions de NA
|
|
|
|
- Basculer le code du clustering pour utiliser hclust et mis l'argument method de hclust avec single par défaut
|
|
|
|
- Ajouter pipeline qui knit README.Rmd à chaque merge dans main colSBM
|
|
|
|
## 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
|
|
|
|
- J'ai esquissé des bouts d'intro
|
|
|
|
- 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
|
|
|
|
|
|
### Correction méthodo
|
|
- Idée Pierre : Regarder la contribution au BICL de la collection des réseaux
|
|
et comparer au sep BICL pour essayer de repérer les outliers. En regardant la vbound (pas la pénalité) de chaque réseau dans le joint vs sa vbound dans le sep
|
|
-> Résultats : pas de différences majeures entre les réseaux avec le rapport vbound_joint/vbound_sep, les outliers ne sont pas marqués.
|
|
|
|
- Regarder si plutôt que k médioid possible meilleurs résultats avec d'autres distances hclust avec min, max etc...
|
|
-> L'algo PAM donne des clusters équilibrés sans séparer les outliers
|
|
Je regarde avec plutôt des hclust avec métrique single pour séparer les outliers.
|
|
|
|
- Voir si in fine possible de repérer des outliers à partir de ces nouvelles métriques
|
|
|
|
- Regarder la répartition de densité dans les réseaux sub-doré -> déséquilibrée
|
|
|
|
|
|
|
|
|
|
En faisant des clusterings par densité on constate qu'avec un modèle iid pour des réseaux dont la densité est entre :
|
|
- 0 et 0.05 : Baldock et Souza tout le monde se retrouvait ensemble avec *Partitioning around medoids*
|
|
|
|
### 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 !
|
|
|
|
|
|
### Lancer clustering auteur par auteur du sub-Doré : 5 collections différentes dans l'idée.
|
|
|
|
Une fois fait, Sophie ne trouve pas que ce soit le plus pertinent pour illustrer le clustering.
|
|
Plus intéressant de garder le clustering de données simulées ($M = 30$) et se
|
|
servir des exemples dessous et des parcours exhaustif des possibilités de partitionnement comme comparatif.
|
|
|
|
#### Baldock
|
|
|
|
|
|
|
|
#### Gibson
|
|
|
|
|
|
|
|
#### Souza
|
|
|
|
|
|
|
|
#### Traveset
|
|
|
|
|
|
|
|
#### Trojelsgaard
|
|
|
|
|
|
|