926 lines
No EOL
275 KiB
JSON
926 lines
No EOL
275 KiB
JSON
[
|
||
{
|
||
"objectID": "index.html",
|
||
"href": "index.html",
|
||
"title": "Journal suivi de la thèse",
|
||
"section": "",
|
||
"text": "Agenda"
|
||
},
|
||
{
|
||
"objectID": "index.html#journaux",
|
||
"href": "index.html#journaux",
|
||
"title": "Journal suivi de la thèse",
|
||
"section": "Journaux",
|
||
"text": "Journaux\n\n\n\n\n\n\n\n\n\n\nBilan semaine 9 2026 : 23 février - 27 février\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n23 févr. 2026\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 7 2026 : 09 février - 13 février\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\ncovariables\n\nidentifiabilité\n\n\n\n\n\n\n\n\n\n13 févr. 2026\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 8 2026 : 16 février - 20 février\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n13 févr. 2026\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 6 2026 : 02 février - 06 février\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n6 févr. 2026\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 51 2025 : 15 décembre - 19 décembre\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n19 déc. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 50 2025 : 08 décembre - 12 décembre\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n12 déc. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 45 2025 : 03 novembre - 06 novembre\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n3 nov. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 44 2025 : 27 octobre - 31 octobre\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n27 oct. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 43 2025 : 20 octobre - 24 octobre\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n20 oct. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 38 2025 : 15 septembre - 19 septembre\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n19 sept. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 35 2025 : 25 août - 29 août\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n29 août 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 33 2025 : 11 août - 15 août\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n14 août 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 29 2025 : 15 juillet - 18 juillet\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n15 juil. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 28 2025 : 07 juillet - 11 juillet\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n7 juil. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 27 2025 : 30 juin - 4 juillet\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n30 juin 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 25 2025 : 16 juin - 20 juin\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n20 juin 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 24 2025 : 10 juin - 13 juin\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n13 juin 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 22 2025 : 26 mai - 30 mai\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n28 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 21 2025 : 26 mai - 30 mai\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n23 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 20 2025 : 12 mai - 16 mai\n\n\n\ncolBiSBM\n\ninférence\n\nGNN\n\n\n\n\n\n\n\n\n\n16 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 19 2025 : 5 mai - 9 mai\n\n\n\ncolBiSBM\n\ninférence\n\n\n\n\n\n\n\n\n\n9 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 18 2025 : 28 avril - 2 mai\n\n\n\ncolBiSBM\n\ninférence\n\n\n\n\n\n\n\n\n\n2 mai 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 17 2025 : 24 avril - 25 avril\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n25 avr. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 16 2025\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n18 avr. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 15 2025 : 31 mars-4 avril\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n4 avr. 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 14 2025 : 24-28 mars\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n28 mars 2025\n\n\nLouis Lacoste\n\n\n\n\n\n\n\n\n\n\n\n\nBilan semaine 13 2025 : 17-21 mars\n\n\n\ncolBiSBM\n\n\n\n\n\n\n\n\n\n17 mars 2025\n\n\nLouis Lacoste\n\n\n\n\n\nAucun article correspondant"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-17/2025-17.html",
|
||
"href": "suivi/2025-17/2025-17.html",
|
||
"title": "Bilan semaine 17 2025 : 24 avril - 25 avril",
|
||
"section": "",
|
||
"text": "Relire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nRegarder les applications pour les collections de réseaux recommender system\nLire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson\nDire résultats nettement meilleurs et variabilités inférieures.\n\n\n\n\n\nRelancer simus clustering avec VEM steps = 10 000 et plus nombreux init pour spectral\nAjouter 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.\nComparer sur clustering unipartite avec versions symétriser des par blocs des matrices d’adjacences.\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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.\n\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser.\n\n\n\n\n\nCréer 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."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-17/2025-17.html#a-faire",
|
||
"href": "suivi/2025-17/2025-17.html#a-faire",
|
||
"title": "Bilan semaine 17 2025 : 24 avril - 25 avril",
|
||
"section": "",
|
||
"text": "Relire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nRegarder les applications pour les collections de réseaux recommender system\nLire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson\nDire résultats nettement meilleurs et variabilités inférieures.\n\n\n\n\n\nRelancer simus clustering avec VEM steps = 10 000 et plus nombreux init pour spectral\nAjouter 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.\nComparer sur clustering unipartite avec versions symétriser des par blocs des matrices d’adjacences.\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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.\n\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser.\n\n\n\n\n\nCréer 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."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-17/2025-17.html#jai-fait",
|
||
"href": "suivi/2025-17/2025-17.html#jai-fait",
|
||
"title": "Bilan semaine 17 2025 : 24 avril - 25 avril",
|
||
"section": "J’ai fait",
|
||
"text": "J’ai fait\n\nCréer un README descriptif du dépôt des codes pour l’article.\nRemonter figure sélection de modèle dans le corps de l’article\nEnrichir légende de la figure 7 et 8\nSupprimer p_NA des autres cadrans des proportions de NA\nBasculer le code du clustering pour utiliser hclust et mis l’argument method de hclust avec single par défaut\nAjouter pipeline qui knit README.Rmd à chaque merge dans main colSBM"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-17/2025-17.html#a-continuer",
|
||
"href": "suivi/2025-17/2025-17.html#a-continuer",
|
||
"title": "Bilan semaine 17 2025 : 24 avril - 25 avril",
|
||
"section": "A continuer",
|
||
"text": "A continuer\n\nRésultats 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.\nLire Biological Networks - François Képès\nJ’ai esquissé des bouts d’intro\nRelancer 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\n\n\nCorrection méthodo\n\nIdée 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.\nRegarder 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.\nVoir si in fine possible de repérer des outliers à partir de ces nouvelles métriques\nRegarder la répartition de densité dans les réseaux sub-doré -> déséquilibrée\n\n\nEn faisant des clusterings par densité on constate qu'avec un modèle iid pour des réseaux dont la densité est entre :\n- 0 et 0.05 : Baldock et Souza tout le monde se retrouvait ensemble avec *Partitioning around medoids*\n\n\nApplications\n\nIdée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation\n\n\nSophie 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 !\n\n\n\nLancer clustering auteur par auteur du sub-Doré : 5 collections différentes dans l’idée.\nUne 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.\n\nBaldock\n\n\n\nAlluvial Baldock\n\n\n\n\nGibson\n\n\n\nAlluvial Gibson\n\n\n\n\nSouza\n\n\n\nAlluvial Souza\n\n\n\n\nTraveset\n\n\n\nAlluvial Traveset\n\n\n\n\nTrojelsgaard\n\n\n\nAlluvial Trojelgaard"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-19/2025-19.html",
|
||
"href": "suivi/2025-19/2025-19.html",
|
||
"title": "Bilan semaine 19 2025 : 5 mai - 9 mai",
|
||
"section": "",
|
||
"text": "Débugguer les simulations :\n\nClustering : 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. -> BUG, dois creuser mais juste des problèmes techniques. Le bug venait probablement d’une inadéquation entre la version de future et future.callr, les résultats temporaires sont encourageant.\nInférence : 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.\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\n\nPRÉSENTATION JDS (LSD), durée introuvable, adapter en anglais les slides et voir avec PB et SD.\nQuel plan ?\nQuels résultats ? Baldock, Traveset … (sub-Doré)\n\n\n\n\n\nLire Papiers compositional data (Aitchison et al. intro)\nSe renseigner techniques d’inférence de réseaux :\n\ncovariance (base corrélation et seuil)\nGraphicalLASSO\nCo-occurence\n\nLire article multi-niveaux Saint-Clair"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-19/2025-19.html#top-priorité",
|
||
"href": "suivi/2025-19/2025-19.html#top-priorité",
|
||
"title": "Bilan semaine 19 2025 : 5 mai - 9 mai",
|
||
"section": "",
|
||
"text": "Débugguer les simulations :\n\nClustering : 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. -> BUG, dois creuser mais juste des problèmes techniques. Le bug venait probablement d’une inadéquation entre la version de future et future.callr, les résultats temporaires sont encourageant.\nInférence : 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.\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\n\nPRÉSENTATION JDS (LSD), durée introuvable, adapter en anglais les slides et voir avec PB et SD.\nQuel plan ?\nQuels résultats ? Baldock, Traveset … (sub-Doré)\n\n\n\n\n\nLire Papiers compositional data (Aitchison et al. intro)\nSe renseigner techniques d’inférence de réseaux :\n\ncovariance (base corrélation et seuil)\nGraphicalLASSO\nCo-occurence\n\nLire article multi-niveaux Saint-Clair"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-19/2025-19.html#a-discuter",
|
||
"href": "suivi/2025-19/2025-19.html#a-discuter",
|
||
"title": "Bilan semaine 19 2025 : 5 mai - 9 mai",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\nVoir pour TT période du 11 au 14 août\nVoir pour date CSI car congés avec parents prévu du 29/08 au 12/09."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-19/2025-19.html#a-faire",
|
||
"href": "suivi/2025-19/2025-19.html#a-faire",
|
||
"title": "Bilan semaine 19 2025 : 5 mai - 9 mai",
|
||
"section": "A faire",
|
||
"text": "A faire\n\nInférence\n\nPapier pour comprendre données\n\nFaust et al.\nAbdill et al.\nBashan et al.\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS\n\n\n\nRédaction article\n\nRelire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nDire résultats nettement meilleurs et variabilités inférieures."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-19/2025-19.html#jai-fait",
|
||
"href": "suivi/2025-19/2025-19.html#jai-fait",
|
||
"title": "Bilan semaine 19 2025 : 5 mai - 9 mai",
|
||
"section": "J’ai fait",
|
||
"text": "J’ai fait\n\nCSI (en attente contacts PB et SD)\n\nEst-ce à moi de contacter Saint-Clair et Sonia/Elisa ? Pierre et Sophie gèrent\nPierre Gérard a dit oui, il attend les détails\nQuand : fin juin début juillet\nListe potentielle :\n\n(Saint-Clair)\nMahendra\nElisa/Sonia\nPierre Gérard\n\n\n\n\nFinist’R\n\nS’inscrire\n\n\n\nML at Aussois\n\nS’inscrire avec abstract court\nDemander la bourse\nDétails d’inscriptions : Je demande une bourse et je m’inscris avec la demande de bourse, Pierre et Sophie font la lettre de recommendation\n\n\n\nPrésentation\n\nJ’ai traduis en anglais ma présentation : Lien"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-19/2025-19.html#a-continuer",
|
||
"href": "suivi/2025-19/2025-19.html#a-continuer",
|
||
"title": "Bilan semaine 19 2025 : 5 mai - 9 mai",
|
||
"section": "A continuer",
|
||
"text": "A continuer\n\nApplications\n\nIdée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation\n\n\nSophie 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 !\n\n\n\nAxe inférence\n\nLire biblio fournie Julie, Inférence de réseaux : co-occurence\n\n\nJ’ai lu Faust et al. Je lis Abdill et al."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-19/2025-19.html#repoussés-ou-abandonnés",
|
||
"href": "suivi/2025-19/2025-19.html#repoussés-ou-abandonnés",
|
||
"title": "Bilan semaine 19 2025 : 5 mai - 9 mai",
|
||
"section": "Repoussés ou abandonnés",
|
||
"text": "Repoussés ou abandonnés\n\nRésultats 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.\n\n\nJe n’arrive pas à comprendre les erreurs qui arrivent\n\n\nLire Biological Networks - François Képès\nRegarder les applications pour les collections de réseaux recommender system Pas pertinents et trop gros\n\n\n\n\nListing 1: Recommender systems data\n\n\nPar exemple :\n\nListe de recommendation data\n\n\n\n\n\nPapier plus multi-applications\n\nDonnées d’Elisa herbivore ?\nDonnées urbanisations ?\n\n\n\nAutour de l’article et du package\n\nCréer 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.\n\n\n\nSimulations article\n\nComparer sur clustering unipartite avec versions symétriser des par blocs des matrices d’adjacences.\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-43/2025-43.html",
|
||
"href": "suivi/2025-43/2025-43.html",
|
||
"title": "Bilan semaine 43 2025 : 20 octobre - 24 octobre",
|
||
"section": "",
|
||
"text": "Finir le papier :\n\nRe-structurer le plan, mon plan, Donnet et Barbillon, échelle méso et comparaison inter réseau et noeuds non partagés.\n✅ Écrire en annexe le BIC-L, faire attention à ajouter l’entropie à la toute fin en mentionnant\n⌛ Fusionner VGAE et information transfer (missing links seulement) donc refaire tourner sur même données qu’en R. A adapter pour Python et pouvoir intégrer dans la figure. (raccourcit).\nFaire sep-VGAE (seulement sur le réseaux avec missing links) et VGAE avec les 4 réseaux. En train de reproduire les résultats, AUC stable autour de 0.7\nRemplacer Information tranfer on simu par Network partitioning.\n⌛ Écrire le poster avec un titre aguicheur “Are my pollinators your pollinators: …”: Commencé contenu à déterminer avec Pierre et Sophie\n\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\nFaire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\n\n\n\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ A Roscoff avec Julie et Pierre nous avons constaté que c’était l’extraction des dyades pour le calcul des métriques qui était incorrecte. Maintenant c’est corrigé et ça fonctionne ! En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\n⚠️ Discuter intersection simulations\nClustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\nVoir avec Mahendra à l’occasion du CSI\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-43/2025-43.html#todo-list",
|
||
"href": "suivi/2025-43/2025-43.html#todo-list",
|
||
"title": "Bilan semaine 43 2025 : 20 octobre - 24 octobre",
|
||
"section": "",
|
||
"text": "Finir le papier :\n\nRe-structurer le plan, mon plan, Donnet et Barbillon, échelle méso et comparaison inter réseau et noeuds non partagés.\n✅ Écrire en annexe le BIC-L, faire attention à ajouter l’entropie à la toute fin en mentionnant\n⌛ Fusionner VGAE et information transfer (missing links seulement) donc refaire tourner sur même données qu’en R. A adapter pour Python et pouvoir intégrer dans la figure. (raccourcit).\nFaire sep-VGAE (seulement sur le réseaux avec missing links) et VGAE avec les 4 réseaux. En train de reproduire les résultats, AUC stable autour de 0.7\nRemplacer Information tranfer on simu par Network partitioning.\n⌛ Écrire le poster avec un titre aguicheur “Are my pollinators your pollinators: …”: Commencé contenu à déterminer avec Pierre et Sophie\n\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\nFaire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\n\n\n\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ A Roscoff avec Julie et Pierre nous avons constaté que c’était l’extraction des dyades pour le calcul des métriques qui était incorrecte. Maintenant c’est corrigé et ça fonctionne ! En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\n⚠️ Discuter intersection simulations\nClustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\nVoir avec Mahendra à l’occasion du CSI\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-43/2025-43.html#biblio-à-faire",
|
||
"href": "suivi/2025-43/2025-43.html#biblio-à-faire",
|
||
"title": "Bilan semaine 43 2025 : 20 octobre - 24 octobre",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-43/2025-43.html#lectures-en-cours",
|
||
"href": "suivi/2025-43/2025-43.html#lectures-en-cours",
|
||
"title": "Bilan semaine 43 2025 : 20 octobre - 24 octobre",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-43/2025-43.html#a-discuter",
|
||
"href": "suivi/2025-43/2025-43.html#a-discuter",
|
||
"title": "Bilan semaine 43 2025 : 20 octobre - 24 octobre",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\nCongés P&S\n\n\nThèse\n\nFaire préz CSI\nFaire rapport CSI\n\n\n\nInférence\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-13/2025-13.html",
|
||
"href": "suivi/2025-13/2025-13.html",
|
||
"title": "Bilan semaine 13 2025 : 17-21 mars",
|
||
"section": "",
|
||
"text": "Cette semaine j’ai :\n\nFini d’intégrer à colSBM tous les changements (clustering dérecursifier pour uni et bipartites& cli …) et contacter Saint-Clair pour passer colSBM sous GrossSBM.\nRelancer et obtenus les résultats pour le clustering sur les réseaux Baldock\n\n\n\n\nBaldock iid\n\n\n\n\n\nBaldock pi\n\n\n\n\n\nBaldock rho\n\n\n\n\n\nBaldock pirho\n\n\n\nRelancer et obtenus les résultats pour les simus ajoutant du bruits sur les structures et liens\n\nPour noisy \\alpha:\n\nPlan de simulation 2 collections (d\\in (1,2)) avec M = 30 soit 15 réseaux par type. n_r = n_c = 120 et \\pi_1 = \\begin{pmatrix} 0.5, 0.3, 0.2\\end{pmatrix},~\n \\rho_1 = \\begin{pmatrix}0.4, 0.3, 0.2, 0.1\\end{pmatrix},~\n \\alpha_1 = \\begin{pmatrix}\n 0.85& 0.4& 0.2& 0.15\\\\\n 0.6& 0.2& 0.15& 0.15\\\\\n 0.2& 0.15& 0.15& 0.7\n \\end{pmatrix}\n \\pi_2 = (0.5, 0.3, 0.2),~\n \\rho_2 = (0.45, 0.3, 0.25),~\n \\alpha_2 = \\begin{pmatrix}\n 0.65& 0.15& 0.15\\\\\n 0.15& 0.8& 0.15\\\\\n 0.15& 0.15& 0.4\n \\end{pmatrix}\n\\epsilon \\in (0, 0.01, \\dots 0.05) qui est l’écart-type d’une \\mathcal{N}_{Q_1^d \\times Q_2^d}(0,\\epsilon^2) = vec(N^m), \\forall m \\in (1,\\dots, M). Et \\forall m, X^m \\sim LBM_{n_r,n_c}(Q_1^d, Q_2^d, \\alpha_d + N^m, \\pi_d, \\rho_d)\nRésultats : \n\nPour noisy links:\n\nPlan de simu M = 30, n_r = n_c = 120. \\pi_1 = \\begin{pmatrix} 0.5, 0.3, 0.2\\end{pmatrix},~\n \\rho_1 = \\begin{pmatrix}0.4, 0.3, 0.2, 0.1\\end{pmatrix},~\n \\alpha_1 = \\begin{pmatrix}\n 0.85& 0.4& 0.2& 0.05\\\\\n 0.6& 0.2& 0.05& 0.05\\\\\n 0.2& 0.05& 0.05& 0.7\n \\end{pmatrix}\n \\pi_2 = (0.5, 0.3, 0.2),~\n \\rho_2 = (0.45, 0.3, 0.25),~\n \\alpha_2 = \\begin{pmatrix}\n 0.65& 0.05& 0.05\\\\\n 0.05& 0.8& 0.05\\\\\n 0.05& 0.05& 0.4\n \\end{pmatrix}\n\\epsilon \\in (0, 0.05, \\dots 0.5), indices de la matrice = sample.int(n_r \\times n_c, size = n_r \\times n_c \\times \\epsilon). Les indices tirés inverse la valeur du lien (1 -> 0, 0 -> 1)\n\n\n\n\n\n\n\n\n\nClear links\n\n\n\n\n\n\n\nNoisy links\n\n\n\n\n\n\nFigure 1\n\n\n\n\nRelancer simulations robustesse aux NAs\nChanger les plots résultats NAs pour faire sous-plots comparant sep vs model."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-51/2025-51.html",
|
||
"href": "suivi/2025-51/2025-51.html",
|
||
"title": "Bilan semaine 51 2025 : 15 décembre - 19 décembre",
|
||
"section": "",
|
||
"text": "✅ C’est fait Passer version article flat dans Gitlab du papier et nettoyer au minimum sur une branche clean.\n✅ Corrigée !⚠️ IL Y A UNE TYPO SUR LE SIGNE DE L’ENTROPIE POUR LE PAPIER: - \\mathcal{H} au lieu de +\\mathcal{H}\n✅ Faire tourner clustering sur Trojelsgaard. Fait mais ne sépare personne.\nPetites opérations sur les OTUs (regarder la matrice dans les yeux):\n\nRanger les OTUs par variances (i.e. sd(OTU_j))\n✅ Dans un RMD sur Human Microbiome Compendium Dessiner les graphiques : \\mathbb{V}[OTU] = f(\\mathbb{E}[OTU]), \\frac{\\mathbb{V}[OTU]}{\\mathbb{E}[OTU]^2} = f(\\mathbb{E}[OTU]) et \\frac{\\mathbb{V}[OTU]}{\\mathbb{E}[OTU]} = f(\\mathbb{E}[OTU]) (\\approx 1) si les données suivent une loi de Poisson.\n\nHMC sur-dispersés (au-dessus bissectrice)\nEnterotype phyloseq sous-disp\n\nRegarder la proportion de 1. taxon rares, 2. zeros.\nFaire des coupures selon niveaux taxonomiques et regarder si \\mathbb{V}_{\\text{intra}} \\approx \\mathbb{V}_{\\text{inter}}\nBonus: faire ça dans qmd et voir si forge permet gitlab pages\n\n✅ Faire tourner un LBM sur Human Gut et voir si ça plante sinon, ça plante, la ram est surchargée.\n\n❎⌛ Je tente avec SparseBM de JBL sur Python. Ne gère pas le Poisson\nFaire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\n\nIncreasing size : \n⌛ Prendre jeu de données exemple de phyloseq :\n\n✅ 😞 enterotype tourne mais pas bon résultats (semble deux blocs échantillons mais pas vu par le modèle).\n🕑 des jeux de données de Mahendra ne tourne pas (phase forward interminable).\n\nRelire Peixoto (2014)\n\nRegarder les gens qui citent les travaux de Peixoto\n\nImplémentation blockmodels LBM avec covariables sur proportions (voir Équation 1)\n\n\n\n\n\n\n\nIdées\n\n\n\n\nTravailler sur Fungus Tree network\nComparaison covar prop avec GREMLINS multipartite sur (log(dist_phylo), fungus-tree)\nTrouver 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 ?\n⌛ 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 ?\n\n⌛ Simulations avec n_2 croissant lancée sur Migale\nRéimplementé 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.\n\n✅ Inutile car besoin du primal Chercher à formuler le problème dual (s’il existe?) de l’optimisation du LBM. Peut-être possible d’aller plus vite alors ? Équation 2\n\n\n\n\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\n👶 (délégué à Mona) Clustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\nRegarder Largest gap sur réseaux Doré\n⌛ Essayer clustering sur supinfo\n\nCAH et Kmeans tendent vers faire K = 13 clusters sur les supinfos\nEnrichir avec des métriques sur les réseaux (nestedness, connectance autres ?)\nDemander à Elisa pour la signification des métadonnées\nDemander à Elisa une fois vu cohérences de groupe voir pour interprétation écologiques ?\nAlgo de clustering sur les groupes trouvés\n\n\n\n\n\n\n\nToujours modèle LBM mais avec probas d’appartenance pour les colonnes variables:\n\\begin{align*}\nZ_i &\\sim \\mathcal{M}(1; \\pi_1, \\dots, \\pi_Q), \\sum_{q=1}^{Q} \\pi_q = 1\\\\\nW_j &\\sim \\mathcal{M}(1; \\rho_1^j, \\dots, \\rho_R^j), \\sum_{r=1}^{R} \\rho_r^j = 1\\\\\nY_{i,j}&\\mid Z_i = q, W_j = r \\sim \\mathcal{F}(\\alpha_{qr})\n\\end{align*}\nInférence variationnelle donc \\ell(Y;\\pmb{\\theta}) \\geq \\mathcal{J}(\\mathcal{R},\\pmb{\\theta}) avec\n\n\\mathcal{J}(\\mathcal{R},\\pmb{\\theta})= \\sum_{i = 1}^{n_1}\\sum_{j=1}^{n_2}\\sum_{q \\in \\mathcal{Q}_1} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{iq}^{1} \\tau_{jr}^{2} \\log f(Y_{ij}; \\alpha_{qr})\n + \\sum_{i=1}^{n_1} \\sum_{q \\in \\mathcal{Q}_1} \\tau_{iq}^{1} \\log \\pi_{\\color{black}q} + \\sum_{j=1}^{n_2} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{jr}^{2} \\log \\rho_{\\color{black}r} \\\\\n - \\sum_{i=1}^{n_1} \\tau_{iq}^{1} \\log \\tau_{iq}^{1} - \\sum_{j=1}^{n_2} \\tau_{jr}^{2} \\log \\tau_{jr}^{2}\n\nPlusieurs possibilités pour la définition de \\rho_r^j\n\n\nAvec \\rho_r^j = \\frac{\\exp{\\beta_r X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} = \\sigma(\\pmb{\\beta} \\pmb{X})_{r,j}, où \\sigma désigne le softmax. Mais il y a besoin de poser une contrainte sur l’un des (\\beta_r)_{r=1,\\dots,R}, ici \\beta_R = 0.\nLa partie pertinente de l’ELBO devient: \n P((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\sum_{r=1}^{R} [\\tau_{jr} (\\beta_r X_j - \\log (\\sum_{s=1}^{R} \\exp{\\beta_s X_j}))]\n\\tag{1}\nEt on obtient la dérivée partielle par rapport à \\beta_t comme: \\begin{align*}\n\\dfrac{\\partial P}{\\partial \\beta_t}&((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\biggl[ \\tau_{jt} X_j - \\frac{X_j \\exp{\\beta_t X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} \\biggr]\\\\\n& = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\sigma(\\pmb{\\beta} \\pmb{X})_{t,j}\\bigr) X_j\\biggr] = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\rho_t^j \\bigr) X_j\\biggr]\n\\end{align*}\n\n\n\n\nLes distributions variationnelles sont définies par :\n\nq(Z,W)\n=\n\\prod_{i=1}^{n_1} q_i(Z_i)\n\\prod_{j=1}^{n_2} q_j(W_j),\n\navec \nq_i(Z_i=q)=\\tau_{iq}^{(1)},\n\\qquad\nq_j(W_j=r)=\\tau_{jr}^{(2)}.\n\nLes contraintes de normalisation sont : \n\\sum_{q=1}^Q \\tau_{iq}^{(1)} = 1,\n\\qquad\n\\sum_{r=1}^R \\tau_{jr}^{(2)} = 1.\n\n\n\n\nLe lagrangien du problème variationnel s’écrit : \n\\mathcal{L}\\!\\left(\n\\tau^{(1)},\\tau^{(2)},(\\lambda_i)_{i=1}^{n_1},(\\mu_j)_{j=1}^{n_2}\n\\right)\n=\n\\mathcal{J}(\\mathcal{R},\\pmb{\\theta})\n+\n\\sum_{i=1}^{n_1} \\lambda_i\n\\left(1-\\sum_{q=1}^Q \\tau_{iq}^{(1)}\\right)\n+\n\\sum_{j=1}^{n_2} \\mu_j\n\\left(1-\\sum_{r=1}^R \\tau_{jr}^{(2)}\\right),\n où \\mathcal{J}(\\mathcal{R},\\pmb{\\theta}) désigne la borne inférieure variationnelle associée au modèle et aux paramètres \\Theta.\n\n\n\n\nEn dérivant le lagrangien par rapport aux variables variationnelles \\tau^{(1)} et \\tau^{(2)}, puis en égalisant à zéro, on obtient les équations de point fixe suivantes :\n\n\\tau_{iq}^{(1)}\n\\propto\n\\pi_q^{(t)}\n\\prod_{j=1}^{n_2}\n\\prod_{r=1}^{R}\nf\\!\\left(Y_{ij};\\alpha_{qr}^{(t)}\\right)^{\\tau_{jr}^{(2),(t+1)}},\n\\quad\n\\forall i=1,\\dots,n_1,\\;\nq=1,\\dots,Q,\n\n\n\\tau_{jr}^{(2)}\n\\propto\n\\rho_r^{(t)}\n\\prod_{i=1}^{n_1}\n\\prod_{q=1}^{Q}\nf\\!\\left(Y_{ij};\\alpha_{qr}^{(t)}\\right)^{\\tau_{iq}^{(1),(t+1)}},\n\\quad\n\\forall j=1,\\dots,n_2,\\;\nr=1,\\dots,R,\n où :\n\n\\pi_q^{(t)} et \\rho_r^{(t)} sont les proportions de classes,\nf(\\cdot;\\alpha_{qr}) est la loi d’émission du modèle,\n\\alpha_{qr}^{(t)} désigne les paramètres de bloc à l’itération t.\n\n\n\n\n\nLes constantes de normalisation associées sont données par :\n\nT^{(1),(t)}_i\n=\n\\sum_{q=1}^{Q}\n\\pi_q^{(t)}\n\\exp\\!\\left(\n\\sum_{j=1}^{n_2}\n\\sum_{r=1}^{R}\n\\tau_{jr}^{(2)}\n\\log f\\!\\left(Y_{ij};\\alpha_{qr}^{(t)}\\right)\n\\right),\n\n\nT^{(2),(t)}_j\n=\n\\sum_{r=1}^{R}\n\\rho_r^{(t)}\n\\exp\\!\\left(\n\\sum_{i=1}^{n_1}\n\\sum_{q=1}^{Q}\n\\tau_{iq}^{(1)}\n\\log f\\!\\left(Y_{ij};\\alpha_{qr}^{(t)}\\right)\n\\right).\n\nAinsi, les mises à jour normalisées s’écrivent : \n\\tau_{iq}^{(1)} = \\frac{1}{T^{(1),(t)}_i}(\\cdots),\n\\qquad\n\\tau_{jr}^{(2)} = \\frac{1}{T^{(2),(t)}_j}(\\cdots).\n\n\n\n\n\nLes multiplicateurs de Lagrange s’identifient alors à : \n\\lambda_i = -\\log T^{(1),(t)}_i - 1,\n\\qquad\n\\mu_j = -\\log T^{(2),(t)}_j - 1,\n\\tag{2} et le problème dual consiste à minimiser une somme de fonctions de log-partition, ce qui montre que l’algorithme VEM réalise implicitement une descente sur le dual.\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-51/2025-51.html#todo-list",
|
||
"href": "suivi/2025-51/2025-51.html#todo-list",
|
||
"title": "Bilan semaine 51 2025 : 15 décembre - 19 décembre",
|
||
"section": "",
|
||
"text": "✅ C’est fait Passer version article flat dans Gitlab du papier et nettoyer au minimum sur une branche clean.\n✅ Corrigée !⚠️ IL Y A UNE TYPO SUR LE SIGNE DE L’ENTROPIE POUR LE PAPIER: - \\mathcal{H} au lieu de +\\mathcal{H}\n✅ Faire tourner clustering sur Trojelsgaard. Fait mais ne sépare personne.\nPetites opérations sur les OTUs (regarder la matrice dans les yeux):\n\nRanger les OTUs par variances (i.e. sd(OTU_j))\n✅ Dans un RMD sur Human Microbiome Compendium Dessiner les graphiques : \\mathbb{V}[OTU] = f(\\mathbb{E}[OTU]), \\frac{\\mathbb{V}[OTU]}{\\mathbb{E}[OTU]^2} = f(\\mathbb{E}[OTU]) et \\frac{\\mathbb{V}[OTU]}{\\mathbb{E}[OTU]} = f(\\mathbb{E}[OTU]) (\\approx 1) si les données suivent une loi de Poisson.\n\nHMC sur-dispersés (au-dessus bissectrice)\nEnterotype phyloseq sous-disp\n\nRegarder la proportion de 1. taxon rares, 2. zeros.\nFaire des coupures selon niveaux taxonomiques et regarder si \\mathbb{V}_{\\text{intra}} \\approx \\mathbb{V}_{\\text{inter}}\nBonus: faire ça dans qmd et voir si forge permet gitlab pages\n\n✅ Faire tourner un LBM sur Human Gut et voir si ça plante sinon, ça plante, la ram est surchargée.\n\n❎⌛ Je tente avec SparseBM de JBL sur Python. Ne gère pas le Poisson\nFaire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\n\nIncreasing size : \n⌛ Prendre jeu de données exemple de phyloseq :\n\n✅ 😞 enterotype tourne mais pas bon résultats (semble deux blocs échantillons mais pas vu par le modèle).\n🕑 des jeux de données de Mahendra ne tourne pas (phase forward interminable).\n\nRelire Peixoto (2014)\n\nRegarder les gens qui citent les travaux de Peixoto\n\nImplémentation blockmodels LBM avec covariables sur proportions (voir Équation 1)\n\n\n\n\n\n\n\nIdées\n\n\n\n\nTravailler sur Fungus Tree network\nComparaison covar prop avec GREMLINS multipartite sur (log(dist_phylo), fungus-tree)\nTrouver 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 ?\n⌛ 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 ?\n\n⌛ Simulations avec n_2 croissant lancée sur Migale\nRéimplementé 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.\n\n✅ Inutile car besoin du primal Chercher à formuler le problème dual (s’il existe?) de l’optimisation du LBM. Peut-être possible d’aller plus vite alors ? Équation 2\n\n\n\n\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\n👶 (délégué à Mona) Clustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\nRegarder Largest gap sur réseaux Doré\n⌛ Essayer clustering sur supinfo\n\nCAH et Kmeans tendent vers faire K = 13 clusters sur les supinfos\nEnrichir avec des métriques sur les réseaux (nestedness, connectance autres ?)\nDemander à Elisa pour la signification des métadonnées\nDemander à Elisa une fois vu cohérences de groupe voir pour interprétation écologiques ?\nAlgo de clustering sur les groupes trouvés\n\n\n\n\n\n\n\nToujours modèle LBM mais avec probas d’appartenance pour les colonnes variables:\n\\begin{align*}\nZ_i &\\sim \\mathcal{M}(1; \\pi_1, \\dots, \\pi_Q), \\sum_{q=1}^{Q} \\pi_q = 1\\\\\nW_j &\\sim \\mathcal{M}(1; \\rho_1^j, \\dots, \\rho_R^j), \\sum_{r=1}^{R} \\rho_r^j = 1\\\\\nY_{i,j}&\\mid Z_i = q, W_j = r \\sim \\mathcal{F}(\\alpha_{qr})\n\\end{align*}\nInférence variationnelle donc \\ell(Y;\\pmb{\\theta}) \\geq \\mathcal{J}(\\mathcal{R},\\pmb{\\theta}) avec\n\n\\mathcal{J}(\\mathcal{R},\\pmb{\\theta})= \\sum_{i = 1}^{n_1}\\sum_{j=1}^{n_2}\\sum_{q \\in \\mathcal{Q}_1} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{iq}^{1} \\tau_{jr}^{2} \\log f(Y_{ij}; \\alpha_{qr})\n + \\sum_{i=1}^{n_1} \\sum_{q \\in \\mathcal{Q}_1} \\tau_{iq}^{1} \\log \\pi_{\\color{black}q} + \\sum_{j=1}^{n_2} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{jr}^{2} \\log \\rho_{\\color{black}r} \\\\\n - \\sum_{i=1}^{n_1} \\tau_{iq}^{1} \\log \\tau_{iq}^{1} - \\sum_{j=1}^{n_2} \\tau_{jr}^{2} \\log \\tau_{jr}^{2}\n\nPlusieurs possibilités pour la définition de \\rho_r^j\n\n\nAvec \\rho_r^j = \\frac{\\exp{\\beta_r X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} = \\sigma(\\pmb{\\beta} \\pmb{X})_{r,j}, où \\sigma désigne le softmax. Mais il y a besoin de poser une contrainte sur l’un des (\\beta_r)_{r=1,\\dots,R}, ici \\beta_R = 0.\nLa partie pertinente de l’ELBO devient: \n P((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\sum_{r=1}^{R} [\\tau_{jr} (\\beta_r X_j - \\log (\\sum_{s=1}^{R} \\exp{\\beta_s X_j}))]\n\\tag{1}\nEt on obtient la dérivée partielle par rapport à \\beta_t comme: \\begin{align*}\n\\dfrac{\\partial P}{\\partial \\beta_t}&((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\biggl[ \\tau_{jt} X_j - \\frac{X_j \\exp{\\beta_t X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} \\biggr]\\\\\n& = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\sigma(\\pmb{\\beta} \\pmb{X})_{t,j}\\bigr) X_j\\biggr] = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\rho_t^j \\bigr) X_j\\biggr]\n\\end{align*}\n\n\n\n\nLes distributions variationnelles sont définies par :\n\nq(Z,W)\n=\n\\prod_{i=1}^{n_1} q_i(Z_i)\n\\prod_{j=1}^{n_2} q_j(W_j),\n\navec \nq_i(Z_i=q)=\\tau_{iq}^{(1)},\n\\qquad\nq_j(W_j=r)=\\tau_{jr}^{(2)}.\n\nLes contraintes de normalisation sont : \n\\sum_{q=1}^Q \\tau_{iq}^{(1)} = 1,\n\\qquad\n\\sum_{r=1}^R \\tau_{jr}^{(2)} = 1.\n\n\n\n\nLe lagrangien du problème variationnel s’écrit : \n\\mathcal{L}\\!\\left(\n\\tau^{(1)},\\tau^{(2)},(\\lambda_i)_{i=1}^{n_1},(\\mu_j)_{j=1}^{n_2}\n\\right)\n=\n\\mathcal{J}(\\mathcal{R},\\pmb{\\theta})\n+\n\\sum_{i=1}^{n_1} \\lambda_i\n\\left(1-\\sum_{q=1}^Q \\tau_{iq}^{(1)}\\right)\n+\n\\sum_{j=1}^{n_2} \\mu_j\n\\left(1-\\sum_{r=1}^R \\tau_{jr}^{(2)}\\right),\n où \\mathcal{J}(\\mathcal{R},\\pmb{\\theta}) désigne la borne inférieure variationnelle associée au modèle et aux paramètres \\Theta.\n\n\n\n\nEn dérivant le lagrangien par rapport aux variables variationnelles \\tau^{(1)} et \\tau^{(2)}, puis en égalisant à zéro, on obtient les équations de point fixe suivantes :\n\n\\tau_{iq}^{(1)}\n\\propto\n\\pi_q^{(t)}\n\\prod_{j=1}^{n_2}\n\\prod_{r=1}^{R}\nf\\!\\left(Y_{ij};\\alpha_{qr}^{(t)}\\right)^{\\tau_{jr}^{(2),(t+1)}},\n\\quad\n\\forall i=1,\\dots,n_1,\\;\nq=1,\\dots,Q,\n\n\n\\tau_{jr}^{(2)}\n\\propto\n\\rho_r^{(t)}\n\\prod_{i=1}^{n_1}\n\\prod_{q=1}^{Q}\nf\\!\\left(Y_{ij};\\alpha_{qr}^{(t)}\\right)^{\\tau_{iq}^{(1),(t+1)}},\n\\quad\n\\forall j=1,\\dots,n_2,\\;\nr=1,\\dots,R,\n où :\n\n\\pi_q^{(t)} et \\rho_r^{(t)} sont les proportions de classes,\nf(\\cdot;\\alpha_{qr}) est la loi d’émission du modèle,\n\\alpha_{qr}^{(t)} désigne les paramètres de bloc à l’itération t.\n\n\n\n\n\nLes constantes de normalisation associées sont données par :\n\nT^{(1),(t)}_i\n=\n\\sum_{q=1}^{Q}\n\\pi_q^{(t)}\n\\exp\\!\\left(\n\\sum_{j=1}^{n_2}\n\\sum_{r=1}^{R}\n\\tau_{jr}^{(2)}\n\\log f\\!\\left(Y_{ij};\\alpha_{qr}^{(t)}\\right)\n\\right),\n\n\nT^{(2),(t)}_j\n=\n\\sum_{r=1}^{R}\n\\rho_r^{(t)}\n\\exp\\!\\left(\n\\sum_{i=1}^{n_1}\n\\sum_{q=1}^{Q}\n\\tau_{iq}^{(1)}\n\\log f\\!\\left(Y_{ij};\\alpha_{qr}^{(t)}\\right)\n\\right).\n\nAinsi, les mises à jour normalisées s’écrivent : \n\\tau_{iq}^{(1)} = \\frac{1}{T^{(1),(t)}_i}(\\cdots),\n\\qquad\n\\tau_{jr}^{(2)} = \\frac{1}{T^{(2),(t)}_j}(\\cdots).\n\n\n\n\n\nLes multiplicateurs de Lagrange s’identifient alors à : \n\\lambda_i = -\\log T^{(1),(t)}_i - 1,\n\\qquad\n\\mu_j = -\\log T^{(2),(t)}_j - 1,\n\\tag{2} et le problème dual consiste à minimiser une somme de fonctions de log-partition, ce qui montre que l’algorithme VEM réalise implicitement une descente sur le dual.\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-51/2025-51.html#a-discuter",
|
||
"href": "suivi/2025-51/2025-51.html#a-discuter",
|
||
"title": "Bilan semaine 51 2025 : 15 décembre - 19 décembre",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\n🆕 Voir pour des Réseaux / GDR ou aller\n🆕 Chercher des cours à suivre"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-51/2025-51.html#biblio-à-faire",
|
||
"href": "suivi/2025-51/2025-51.html#biblio-à-faire",
|
||
"title": "Bilan semaine 51 2025 : 15 décembre - 19 décembre",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-51/2025-51.html#lectures-en-cours",
|
||
"href": "suivi/2025-51/2025-51.html#lectures-en-cours",
|
||
"title": "Bilan semaine 51 2025 : 15 décembre - 19 décembre",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-27/2025-27.html",
|
||
"href": "suivi/2025-27/2025-27.html",
|
||
"title": "Bilan semaine 27 2025 : 30 juin - 4 juillet",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\nS’assurer que ça marche et relancer\n\nCreuser et explorer avec easy16s !\n✅ Ajouter le tableau de comparaison du VGAE avec colBiSBM\n⌛ Calcul du score F1Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\nDé-bugger les simulations :\n\n⌛ 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.\n\n⌛Bon le bug ne se reproduit plus… les jobs sont juste trop longs (> 120h) j’ai relancé, il ne reste que 182/972 conditions.\n\n\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM. Kmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\n✅ Creuser TabNet de Christophe Regouby\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-27/2025-27.html#todo-list",
|
||
"href": "suivi/2025-27/2025-27.html#todo-list",
|
||
"title": "Bilan semaine 27 2025 : 30 juin - 4 juillet",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\nS’assurer que ça marche et relancer\n\nCreuser et explorer avec easy16s !\n✅ Ajouter le tableau de comparaison du VGAE avec colBiSBM\n⌛ Calcul du score F1Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\nDé-bugger les simulations :\n\n⌛ 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.\n\n⌛Bon le bug ne se reproduit plus… les jobs sont juste trop longs (> 120h) j’ai relancé, il ne reste que 182/972 conditions.\n\n\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM. Kmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\n✅ Creuser TabNet de Christophe Regouby\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-27/2025-27.html#lectures-en-cours",
|
||
"href": "suivi/2025-27/2025-27.html#lectures-en-cours",
|
||
"title": "Bilan semaine 27 2025 : 30 juin - 4 juillet",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n✅ Morton et al. (2021) VAE with Multinomial Logistic Normal distribution using Isometric Log Ratio tranform. Plus rapide que les autres méthodes et performances équivalentes\n⌛ Aitchison (1982)\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-27/2025-27.html#a-discuter",
|
||
"href": "suivi/2025-27/2025-27.html#a-discuter",
|
||
"title": "Bilan semaine 27 2025 : 30 juin - 4 juillet",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\nCongés P&S\n\n✅ Quand est-ce qu’on ne se voit pas ? Et donc quand est-ce qu’on se voit après ?\n✅ Calendrier partagé\n\n\n\nThèse\n\n✅ Que prévoir pour le CSI\n\n👍 Un petit rapport\n👍 Une présentation\n\n👨🏫 Demander à Pierre Comment valider les enseignements comme formations Adum ?\n✅ Des recommandations de formations, voir les cours du MathSV\n\n\n\nInterprétation écologiques résultats de Baldock\n\n⌛ Point avec Elisa, oui on relance\n\n\n\nInférence\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-35/2025-35.html",
|
||
"href": "suivi/2025-35/2025-35.html",
|
||
"title": "Bilan semaine 35 2025 : 25 août - 29 août",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ A Roscoff avec Julie et Pierre nous avons constaté que c’était l’extraction des dyades pour le calcul des métriques qui était incorrecte. Maintenant c’est corrigé et ça fonctionne ! En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\nFaible performances de l’inférence :\n\nVérifier que les conditions d’identifiabilité des modèles fautifs sont bien remplies.\nRécupérer des jeux de paramètres et essayer de reproduire les résultats.\n\nClustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\nVoir avec Mahendra à l’occasion du CSI\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-35/2025-35.html#todo-list",
|
||
"href": "suivi/2025-35/2025-35.html#todo-list",
|
||
"title": "Bilan semaine 35 2025 : 25 août - 29 août",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ A Roscoff avec Julie et Pierre nous avons constaté que c’était l’extraction des dyades pour le calcul des métriques qui était incorrecte. Maintenant c’est corrigé et ça fonctionne ! En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\nFaible performances de l’inférence :\n\nVérifier que les conditions d’identifiabilité des modèles fautifs sont bien remplies.\nRécupérer des jeux de paramètres et essayer de reproduire les résultats.\n\nClustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\nVoir avec Mahendra à l’occasion du CSI\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-35/2025-35.html#biblio-à-faire",
|
||
"href": "suivi/2025-35/2025-35.html#biblio-à-faire",
|
||
"title": "Bilan semaine 35 2025 : 25 août - 29 août",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-35/2025-35.html#lectures-en-cours",
|
||
"href": "suivi/2025-35/2025-35.html#lectures-en-cours",
|
||
"title": "Bilan semaine 35 2025 : 25 août - 29 août",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-35/2025-35.html#a-discuter",
|
||
"href": "suivi/2025-35/2025-35.html#a-discuter",
|
||
"title": "Bilan semaine 35 2025 : 25 août - 29 août",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\nCongés P&S\n\n\nThèse\n\nFaire préz CSI\nFaire rapport CSI\n\n\n\nInférence\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-29/2025-29.html",
|
||
"href": "suivi/2025-29/2025-29.html",
|
||
"title": "Bilan semaine 29 2025 : 15 juillet - 18 juillet",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\n✅ Ajouter au tableau comparatif sep BiSBM\nPour s’assurer que colBiSBM marche, il faut comparer avec une proportion de :\n\nMissing links, ie des faux zéros\nNA en Missing at random (MAR)\n\nFaible performances de l’inférence :\n\nVérifier que les conditions d’identifiabilité des modèles fautifs sont bien remplies.\nRécupérer des jeux de paramètres et essayer de reproduire les résultats.\n\nClustering sur Doré :\n\nDésaggréger les réseaux et relancer le clustering sur certains auteurs.\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\n\n\n\nAUC values for colBiSBM, sep-BiSBM and VGAE models across cities\n\n\n\n\n\n\n\nAUC\n\n\n\n\n\nCity\n\n\ncolBiSBM\n\n\nsep-BiSBM\n\n\nUntuned VGAE\n\n\n\n\n\n\nBristol\n\n\n0.841\n\n\n0.824\n\n\n1\n\n\n\n\nEdinburgh\n\n\n0.882\n\n\n0.883\n\n\n1\n\n\n\n\nLeeds\n\n\n0.873\n\n\n0.852\n\n\n1\n\n\n\n\nReading\n\n\n0.845\n\n\n0.837\n\n\n1\n\n\n\n\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nAttente retour Pierre pour faire d’autres clustering\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\nInférence finie mais résultats pas fous:\n\n\n\nThe proportion of dataset where the correct number of blocks is selected.\n\n\n\n\n\n\n\niid\n\n\n\n\n\\pi\n\n\n\n\n\\rho\n\n\n\n\n\\pi\\rho\n\n\n\n\n\n\\epsilon_{\\alpha}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\n\n\n\n0.00\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.03\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.06\n\n\n0.19 \\pm 0.04\n\n\n0.81 \\pm 0.04\n\n\n0\n\n\n0.24 \\pm 0.04\n\n\n0.76 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.33 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n0.17 \\pm 0.04\n\n\n0.83 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.2 \\pm 0.04\n\n\n0.78 \\pm 0.04\n\n\n0.06 \\pm 0.02\n\n\n0.87 \\pm 0.03\n\n\n0.06 \\pm 0.02\n\n\n0.01 \\pm 0.01\n\n\n0.88 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n\n\n0.09\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.1 \\pm 0.03\n\n\n0.9 \\pm 0.03\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.13 \\pm 0.03\n\n\n0.87 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n\n\n0.12\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.83 \\pm 0.04\n\n\n0.17 \\pm 0.04\n\n\n\n\n0.15\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.86 \\pm 0.03\n\n\n0.14 \\pm 0.03\n\n\n0\n\n\n0.34 \\pm 0.05\n\n\n0.66 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.81 \\pm 0.04\n\n\n0.19 \\pm 0.04\n\n\n0\n\n\n0.8 \\pm 0.04\n\n\n0.2 \\pm 0.04\n\n\n\n\n0.18\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.36 \\pm 0.05\n\n\n0.64 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.35 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n0.21\n\n\n0\n\n\n0.92 \\pm 0.03\n\n\n0.08 \\pm 0.03\n\n\n0\n\n\n0.89 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.39 \\pm 0.05\n\n\n0.61 \\pm 0.05\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n\n\n0.24\n\n\n0\n\n\n0.88 \\pm 0.03\n\n\n0.12 \\pm 0.03\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.47 \\pm 0.05\n\n\n0.53 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.99 \\pm 0.01\n\n\n0.01 \\pm 0.01\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\nCreuser et explorer avec easy16s !\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-29/2025-29.html#todo-list",
|
||
"href": "suivi/2025-29/2025-29.html#todo-list",
|
||
"title": "Bilan semaine 29 2025 : 15 juillet - 18 juillet",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\n✅ Ajouter au tableau comparatif sep BiSBM\nPour s’assurer que colBiSBM marche, il faut comparer avec une proportion de :\n\nMissing links, ie des faux zéros\nNA en Missing at random (MAR)\n\nFaible performances de l’inférence :\n\nVérifier que les conditions d’identifiabilité des modèles fautifs sont bien remplies.\nRécupérer des jeux de paramètres et essayer de reproduire les résultats.\n\nClustering sur Doré :\n\nDésaggréger les réseaux et relancer le clustering sur certains auteurs.\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\n\n\n\nAUC values for colBiSBM, sep-BiSBM and VGAE models across cities\n\n\n\n\n\n\n\nAUC\n\n\n\n\n\nCity\n\n\ncolBiSBM\n\n\nsep-BiSBM\n\n\nUntuned VGAE\n\n\n\n\n\n\nBristol\n\n\n0.841\n\n\n0.824\n\n\n1\n\n\n\n\nEdinburgh\n\n\n0.882\n\n\n0.883\n\n\n1\n\n\n\n\nLeeds\n\n\n0.873\n\n\n0.852\n\n\n1\n\n\n\n\nReading\n\n\n0.845\n\n\n0.837\n\n\n1\n\n\n\n\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nAttente retour Pierre pour faire d’autres clustering\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\nInférence finie mais résultats pas fous:\n\n\n\nThe proportion of dataset where the correct number of blocks is selected.\n\n\n\n\n\n\n\niid\n\n\n\n\n\\pi\n\n\n\n\n\\rho\n\n\n\n\n\\pi\\rho\n\n\n\n\n\n\\epsilon_{\\alpha}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_1} = 4}\n\n\n\\bm{1}_{\\widehat{Q_1} \\gt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\lt 4}\n\n\n\\bm{1}_{\\widehat{Q_2} = 4}\n\n\n\\bm{1}_{\\widehat{Q_2} \\gt 4}\n\n\n\n\n\n\n0.00\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.03\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n\n\n0.06\n\n\n0.19 \\pm 0.04\n\n\n0.81 \\pm 0.04\n\n\n0\n\n\n0.24 \\pm 0.04\n\n\n0.76 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.33 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n0.17 \\pm 0.04\n\n\n0.83 \\pm 0.04\n\n\n0\n\n\n0.02 \\pm 0.01\n\n\n0.2 \\pm 0.04\n\n\n0.78 \\pm 0.04\n\n\n0.06 \\pm 0.02\n\n\n0.87 \\pm 0.03\n\n\n0.06 \\pm 0.02\n\n\n0.01 \\pm 0.01\n\n\n0.88 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n\n\n0.09\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.1 \\pm 0.03\n\n\n0.9 \\pm 0.03\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.13 \\pm 0.03\n\n\n0.87 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n\n\n0.12\n\n\n0\n\n\n0.94 \\pm 0.02\n\n\n0.06 \\pm 0.02\n\n\n0\n\n\n0.91 \\pm 0.03\n\n\n0.09 \\pm 0.03\n\n\n0\n\n\n0.26 \\pm 0.04\n\n\n0.74 \\pm 0.04\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.83 \\pm 0.04\n\n\n0.17 \\pm 0.04\n\n\n\n\n0.15\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.86 \\pm 0.03\n\n\n0.14 \\pm 0.03\n\n\n0\n\n\n0.34 \\pm 0.05\n\n\n0.66 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.3 \\pm 0.04\n\n\n0.7 \\pm 0.04\n\n\n0\n\n\n0.81 \\pm 0.04\n\n\n0.19 \\pm 0.04\n\n\n0\n\n\n0.8 \\pm 0.04\n\n\n0.2 \\pm 0.04\n\n\n\n\n0.18\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.36 \\pm 0.05\n\n\n0.64 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.35 \\pm 0.05\n\n\n0.65 \\pm 0.05\n\n\n0\n\n\n0.87 \\pm 0.03\n\n\n0.13 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n0.21\n\n\n0\n\n\n0.92 \\pm 0.03\n\n\n0.08 \\pm 0.03\n\n\n0\n\n\n0.89 \\pm 0.03\n\n\n0.11 \\pm 0.03\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.39 \\pm 0.05\n\n\n0.61 \\pm 0.05\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n0\n\n\n0.84 \\pm 0.04\n\n\n0.16 \\pm 0.04\n\n\n\n\n0.24\n\n\n0\n\n\n0.88 \\pm 0.03\n\n\n0.12 \\pm 0.03\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.47 \\pm 0.05\n\n\n0.53 \\pm 0.05\n\n\n0\n\n\n1\n\n\n0\n\n\n0\n\n\n0.99 \\pm 0.01\n\n\n0.01 \\pm 0.01\n\n\n0\n\n\n0.4 \\pm 0.05\n\n\n0.6 \\pm 0.05\n\n\n0\n\n\n0.85 \\pm 0.03\n\n\n0.15 \\pm 0.03\n\n\n0\n\n\n0.82 \\pm 0.04\n\n\n0.18 \\pm 0.04\n\n\n\n\n\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\nCreuser et explorer avec easy16s !\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-29/2025-29.html#biblio-à-faire",
|
||
"href": "suivi/2025-29/2025-29.html#biblio-à-faire",
|
||
"title": "Bilan semaine 29 2025 : 15 juillet - 18 juillet",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite.\nHDR VB, chapitre de modèle à blocs latents, bcp travaillé sur bipartite OT, comparaison clustering, adaption ARI, Largest Gap"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-29/2025-29.html#lectures-en-cours",
|
||
"href": "suivi/2025-29/2025-29.html#lectures-en-cours",
|
||
"title": "Bilan semaine 29 2025 : 15 juillet - 18 juillet",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-29/2025-29.html#a-discuter",
|
||
"href": "suivi/2025-29/2025-29.html#a-discuter",
|
||
"title": "Bilan semaine 29 2025 : 15 juillet - 18 juillet",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\nCongés P&S\n\n\nThèse\n\nFaire préz CSI\nFaire rapport CSI\n\n\n\nInterprétation écologiques résultats de Baldock\n\n⌛ Point avec Elisa, oui on relance\n\n\n\nInférence\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-44/2025-44.html",
|
||
"href": "suivi/2025-44/2025-44.html",
|
||
"title": "Bilan semaine 44 2025 : 27 octobre - 31 octobre",
|
||
"section": "",
|
||
"text": "Finir le papier :\n\nRe-structurer le plan, mon plan, Donnet et Barbillon, échelle méso et comparaison inter réseau et noeuds non partagés.\nPartie Baldock: Ajouter l’ordre des modèles préférés\nEnvoyer Info transfer en annexe et remplacer par Network partitioning\n✅ Fusionner VGAE et information transfer (missing links seulement) donc refaire tourner sur même données qu’en R. A adapter pour Python et pouvoir intégrer dans la figure. (raccourcit).\n✅ Faire sep-VGAE (seulement sur le réseaux avec missing links) et VGAE avec les 4 réseaux. En train de reproduire les résultats, AUC stable autour de 0.7\nRemplacer Information tranfer on simu par Network partitioning.\n✅ Écrire le poster avec un titre aguicheur “Are my pollinators your pollinators: …”:\n\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\nFaire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\n\n\n\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n👶 (délégué à stagiaire) Clustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\n\n✅ Homogénéiser notations dans les supplementaries\n\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕⌛ Papier Julie Negative Binomiale\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-44/2025-44.html#todo-list",
|
||
"href": "suivi/2025-44/2025-44.html#todo-list",
|
||
"title": "Bilan semaine 44 2025 : 27 octobre - 31 octobre",
|
||
"section": "",
|
||
"text": "Finir le papier :\n\nRe-structurer le plan, mon plan, Donnet et Barbillon, échelle méso et comparaison inter réseau et noeuds non partagés.\nPartie Baldock: Ajouter l’ordre des modèles préférés\nEnvoyer Info transfer en annexe et remplacer par Network partitioning\n✅ Fusionner VGAE et information transfer (missing links seulement) donc refaire tourner sur même données qu’en R. A adapter pour Python et pouvoir intégrer dans la figure. (raccourcit).\n✅ Faire sep-VGAE (seulement sur le réseaux avec missing links) et VGAE avec les 4 réseaux. En train de reproduire les résultats, AUC stable autour de 0.7\nRemplacer Information tranfer on simu par Network partitioning.\n✅ Écrire le poster avec un titre aguicheur “Are my pollinators your pollinators: …”:\n\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\nFaire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\n\n\n\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n👶 (délégué à stagiaire) Clustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\n\n✅ Homogénéiser notations dans les supplementaries\n\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕⌛ Papier Julie Negative Binomiale\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-44/2025-44.html#a-discuter",
|
||
"href": "suivi/2025-44/2025-44.html#a-discuter",
|
||
"title": "Bilan semaine 44 2025 : 27 octobre - 31 octobre",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\n🆕 Voir pour des Réseaux / GDR ou aller\n🆕 Chercher des cours à suivre"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-44/2025-44.html#biblio-à-faire",
|
||
"href": "suivi/2025-44/2025-44.html#biblio-à-faire",
|
||
"title": "Bilan semaine 44 2025 : 27 octobre - 31 octobre",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-44/2025-44.html#lectures-en-cours",
|
||
"href": "suivi/2025-44/2025-44.html#lectures-en-cours",
|
||
"title": "Bilan semaine 44 2025 : 27 octobre - 31 octobre",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-33/2025-33.html",
|
||
"href": "suivi/2025-33/2025-33.html",
|
||
"title": "Bilan semaine 33 2025 : 11 août - 15 août",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\n✅ Ajouter au tableau comparatif sep BiSBM\n✅ Pour s’assurer que colBiSBM marche, il faut comparer avec une proportion de :\n\nMissing links, ie des faux zéros\nNA en Missing at random (MAR)\n\n\nFaible performances de l’inférence :\n\nVérifier que les conditions d’identifiabilité des modèles fautifs sont bien remplies.\nRécupérer des jeux de paramètres et essayer de reproduire les résultats.\n\nClustering sur Doré :\n\n✅ Désaggréger les réseaux et relancer le clustering sur certains auteurs.\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder !\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\n✅ Ouvert les donnés Compendium Europe avec easy16s, premières remarques : en dessous de famille peu d’information\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-33/2025-33.html#todo-list",
|
||
"href": "suivi/2025-33/2025-33.html#todo-list",
|
||
"title": "Bilan semaine 33 2025 : 11 août - 15 août",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\n✅ Ajouter au tableau comparatif sep BiSBM\n✅ Pour s’assurer que colBiSBM marche, il faut comparer avec une proportion de :\n\nMissing links, ie des faux zéros\nNA en Missing at random (MAR)\n\n\nFaible performances de l’inférence :\n\nVérifier que les conditions d’identifiabilité des modèles fautifs sont bien remplies.\nRécupérer des jeux de paramètres et essayer de reproduire les résultats.\n\nClustering sur Doré :\n\n✅ Désaggréger les réseaux et relancer le clustering sur certains auteurs.\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder !\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\n✅ Ouvert les donnés Compendium Europe avec easy16s, premières remarques : en dessous de famille peu d’information\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-33/2025-33.html#biblio-à-faire",
|
||
"href": "suivi/2025-33/2025-33.html#biblio-à-faire",
|
||
"title": "Bilan semaine 33 2025 : 11 août - 15 août",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-33/2025-33.html#lectures-en-cours",
|
||
"href": "suivi/2025-33/2025-33.html#lectures-en-cours",
|
||
"title": "Bilan semaine 33 2025 : 11 août - 15 août",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n✅ Intro : Présentation de toutes les recherches, très diversifiée et de l’application aux propriétées théoriques en passant par des codes efficients. Creuser le lien entre les modèles à var latentes et le transport optimal. Le chap 4 a l’air intéressant notamment le mélange de modèles de segmentation.\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-33/2025-33.html#a-discuter",
|
||
"href": "suivi/2025-33/2025-33.html#a-discuter",
|
||
"title": "Bilan semaine 33 2025 : 11 août - 15 août",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\nCongés P&S\n\n\nThèse\n\nFaire préz CSI\nFaire rapport CSI\n\n\n\nInterprétation écologiques résultats de Baldock\n\n⌛ Point avec Elisa, oui on relance\n\n\n\nInférence\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-6/2026-6.html",
|
||
"href": "suivi/2026-6/2026-6.html",
|
||
"title": "Bilan semaine 6 2026 : 02 février - 06 février",
|
||
"section": "",
|
||
"text": "Petites opérations sur les OTUs (regarder la matrice dans les yeux):\n\nRanger les OTUs par variances (i.e. sd(OTU_j))\n\nHMC sur-dispersés (au-dessus bissectrice)\nEnterotype phyloseq sous-disp\n\nRegarder la proportion de 1. taxon rares, 2. zeros.\nFaire des coupures selon niveaux taxonomiques et regarder si \\mathbb{V}_{\\text{intra}} \\approx \\mathbb{V}_{\\text{inter}}\nBonus: faire ça dans qmd et voir si forge permet gitlab pages\n\n✅ Faire tourner un LBM sur Human Gut et voir si ça plante sinon, ça plante, la ram est surchargée.\n\nTODO Faire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\n\n✅ Avec blockmodels, codé un LBM-Séquentiel. Des différences contrastées…\n⌛ Prendre jeu de données exemple de phyloseq :\n\n✅ 😞 enterotype tourne mais pas bon résultats (semble deux blocs échantillons mais pas vu par le modèle).\n✅ des jeux de données de Mahendra ne tourne pas (phase forward interminable).\n\nRelire Peixoto (2014)\n\nRegarder les gens qui citent les travaux de Peixoto\n\nImplémentation blockmodels LBM avec covariables sur proportions (voir Équation 1)\n\n\n\n\n\n\n\nIdées\n\n\n\n\nTravailler sur Fungus Tree network\n🔍Demander à PB et SD : Comparaison covar prop avec GREMLINS multipartite sur (log(dist_phylo), fungus-tree)\nTrouver 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 ?\n⌛ 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 ?\n\n⌛ Simulations avec n_2 croissant lancée sur Migale\nRéimplementé 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.\n\n\n\n\n\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\n👶 (délégué à Mona) Clustering sur Doré :\n\nAjouter Chao1 et 2, colonne par colonne (site par site), et faire indice moyen et la variance.\n\n\n\n\n\n✅ En préparation d’un fichier (réu avec JBL à 10h45 le 06/02/2026). 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.\n\n😄 Avantage s’inscrit directement dans blockmodels et permet d’avoir toutes les lois d’émissions déjà codées et compatibles !\n😢 Besoin de réfléchir a une bonne implémentation.\n\n\n\n\n\\begin{align*}\n\\pmb{\\beta}_{r}& = \\begin{pmatrix}\n \\beta_{r,0}\\\\\n \\vdots\\\\\n \\beta_{r,p}\n\\end{pmatrix}, & X_{:,j} = \\begin{pmatrix}\n 1\\\\\n x_{1}\\\\\n \\vdots\\\\\n x_p\n\\end{pmatrix}\\\\\n\\pmb{\\beta}_r^{\\top} X_{:,j}& = \\beta_{r,0} + \\beta_{r,1} x_{1} + \\dots + \\beta_{r,p} x_p & \\approx \\log(\\rho_r^j) \\\\\n\\pmb{B} & = \\begin{pmatrix}\n\\pmb{\\beta}_1 \\dots \\pmb{\\beta}_r \\dots \\pmb{\\beta}_R\n\\end{pmatrix} & \\pmb{B}^{\\top} X_{:,j} \\approx \\log(\\pmb{\\rho}^j) \\\\\n\\pmb{B}^{\\top} \\pmb{X} & \\approx \\log((\\pmb{\\rho}^j)_{j=1,\\dots,n_2}) = \\log(\\pmb{\\Rho})\\\\\n\\end{align*} Et pour les probas en lignes du LBM \\begin{align*}\n\\pmb{\\gamma}_{q}& = \\begin{pmatrix}\n \\gamma_{q,0}\\\\\n \\vdots\\\\\n \\gamma_{q,d}\n\\end{pmatrix}, & V_{:,i} = \\begin{pmatrix}\n 1\\\\\n v_{1}\\\\\n \\vdots\\\\\n v_d\n\\end{pmatrix}\\\\\n\\pmb{\\gamma}_q^{\\top} V_{:,i}& = \\gamma_{q,0} + \\gamma_{q,1} x_{1} + \\dots + \\gamma_{q,p} x_p & \\approx \\log(\\pi_q^i) \\\\\n\\pmb{\\Gamma} & = \\begin{pmatrix}\n\\pmb{\\gamma}_1 \\dots \\pmb{\\gamma}_q \\dots \\pmb{\\gamma}_Q\n\\end{pmatrix} & \\pmb{\\Gamma}^{\\top} V_{:,i} \\approx \\log(\\pmb{\\pi}^i) \\\\\n\\pmb{\\Gamma}^{\\top} \\pmb{X} & \\approx \\log((\\pmb{\\pi}^i)_{i=1,\\dots,n_1}) = \\log(\\pmb{\\Pi})\n\n\n\\end{align*}\n\n\n\nSoient X : (p+1, n_2), B : (p+1, R) avec X de plein rang, i.e., rg(X) = p+1\\implies XX^{\\top} est inversible.\nOn veut qu’il existe B^{\\prime} et B avec B_{:,R} = \\vec 0_p, par les propriétés de la fonction softmax, \\sigma(.) :\n\\begin{align*}\n& \\sigma(B^{\\top}X) = \\sigma({B^{\\prime}}^{\\top}X)\\\\\n& \\iff \\exists C \\in \\mathbb{R}^{n_2}, B^{\\top} X = {B^{\\prime}}^{\\top} X + \\pmb{1}_R C^{\\top}\\\\\n& \\iff \\exists C \\in \\mathbb{R}^{n_2}, B^{\\top} X - \\pmb{1}_R C^{\\top} = {B^{\\prime}}^{\\top} X\\\\\n& \\iff \\exists C \\in \\mathbb{R}^{n_2}, (B^{\\top} X - \\pmb{1}_R C^{\\top}) X^{\\top} = {B^{\\prime}}^{\\top} X X^{\\top}\\\\\n& \\iff \\exists C \\in \\mathbb{R}^{n_2}, (B^{\\top} X - \\pmb{1}_R C^{\\top}) X^{\\top}(X X^{\\top})^{-1} = {B^{\\prime}}^{\\top}\\\\\n\n\n\\end{align*}\n\n\n\nToujours modèle LBM mais avec probas d’appartenance pour les colonnes variables:\n\\begin{align*}\nZ_i &\\sim \\mathcal{M}(1; \\pi_1, \\dots, \\pi_Q), \\sum_{q=1}^{Q} \\pi_q = 1\\\\\nW_j &\\sim \\mathcal{M}(1; \\rho_1^j, \\dots, \\rho_R^j), \\sum_{r=1}^{R} \\rho_r^j = 1\\\\\nY_{i,j}&\\mid Z_i = q, W_j = r \\sim \\mathcal{F}(\\alpha_{qr})\n\\end{align*}\nInférence variationnelle donc \\ell(Y;\\pmb{\\theta}) \\geq \\mathcal{J}(\\mathcal{R},\\pmb{\\theta}) avec\n\n\\mathcal{J}(\\mathcal{R},\\pmb{\\theta})= \\sum_{i = 1}^{n_1}\\sum_{j=1}^{n_2}\\sum_{q \\in \\mathcal{Q}_1} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{iq}^{1} \\tau_{jr}^{2} \\log f(Y_{ij}; \\alpha_{qr})\n + \\sum_{i=1}^{n_1} \\sum_{q \\in \\mathcal{Q}_1} \\tau_{iq}^{1} \\log \\pi_{\\color{black}q} + \\sum_{j=1}^{n_2} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{jr}^{2} \\log \\rho_{\\color{black}r} \\\\\n - \\sum_{i=1}^{n_1} \\tau_{iq}^{1} \\log \\tau_{iq}^{1} - \\sum_{j=1}^{n_2} \\tau_{jr}^{2} \\log \\tau_{jr}^{2}\n\n\n\nAvec \\rho_r^j = \\frac{\\exp{\\beta_r X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} = \\sigma(\\pmb{\\beta} \\pmb{X})_{r,j}, où \\sigma désigne le softmax. Mais il y a besoin de poser une contrainte sur l’un des (\\beta_r)_{r=1,\\dots,R}, ici \\beta_R = 0.\nLa partie pertinente de l’ELBO devient: \n P((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\sum_{r=1}^{R} [\\tau_{jr} (\\beta_r X_j - \\log (\\sum_{s=1}^{R} \\exp{\\beta_s X_j}))]\n\\tag{1}\nEt on obtient la dérivée partielle par rapport à \\beta_t comme: \\begin{align*}\n\\dfrac{\\partial P}{\\partial \\beta_t}&((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\biggl[ \\tau_{jt} X_j - \\frac{X_j \\exp{\\beta_t X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} \\biggr]\\\\\n& = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\sigma(\\pmb{\\beta} \\pmb{X})_{t,j}\\bigr) X_j\\biggr] = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\rho_t^j \\bigr) X_j\\biggr]\n\\end{align*}\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-6/2026-6.html#todo-list",
|
||
"href": "suivi/2026-6/2026-6.html#todo-list",
|
||
"title": "Bilan semaine 6 2026 : 02 février - 06 février",
|
||
"section": "",
|
||
"text": "Petites opérations sur les OTUs (regarder la matrice dans les yeux):\n\nRanger les OTUs par variances (i.e. sd(OTU_j))\n\nHMC sur-dispersés (au-dessus bissectrice)\nEnterotype phyloseq sous-disp\n\nRegarder la proportion de 1. taxon rares, 2. zeros.\nFaire des coupures selon niveaux taxonomiques et regarder si \\mathbb{V}_{\\text{intra}} \\approx \\mathbb{V}_{\\text{inter}}\nBonus: faire ça dans qmd et voir si forge permet gitlab pages\n\n✅ Faire tourner un LBM sur Human Gut et voir si ça plante sinon, ça plante, la ram est surchargée.\n\nTODO Faire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\n\n✅ Avec blockmodels, codé un LBM-Séquentiel. Des différences contrastées…\n⌛ Prendre jeu de données exemple de phyloseq :\n\n✅ 😞 enterotype tourne mais pas bon résultats (semble deux blocs échantillons mais pas vu par le modèle).\n✅ des jeux de données de Mahendra ne tourne pas (phase forward interminable).\n\nRelire Peixoto (2014)\n\nRegarder les gens qui citent les travaux de Peixoto\n\nImplémentation blockmodels LBM avec covariables sur proportions (voir Équation 1)\n\n\n\n\n\n\n\nIdées\n\n\n\n\nTravailler sur Fungus Tree network\n🔍Demander à PB et SD : Comparaison covar prop avec GREMLINS multipartite sur (log(dist_phylo), fungus-tree)\nTrouver 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 ?\n⌛ 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 ?\n\n⌛ Simulations avec n_2 croissant lancée sur Migale\nRéimplementé 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.\n\n\n\n\n\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\n👶 (délégué à Mona) Clustering sur Doré :\n\nAjouter Chao1 et 2, colonne par colonne (site par site), et faire indice moyen et la variance.\n\n\n\n\n\n✅ En préparation d’un fichier (réu avec JBL à 10h45 le 06/02/2026). 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.\n\n😄 Avantage s’inscrit directement dans blockmodels et permet d’avoir toutes les lois d’émissions déjà codées et compatibles !\n😢 Besoin de réfléchir a une bonne implémentation.\n\n\n\n\n\\begin{align*}\n\\pmb{\\beta}_{r}& = \\begin{pmatrix}\n \\beta_{r,0}\\\\\n \\vdots\\\\\n \\beta_{r,p}\n\\end{pmatrix}, & X_{:,j} = \\begin{pmatrix}\n 1\\\\\n x_{1}\\\\\n \\vdots\\\\\n x_p\n\\end{pmatrix}\\\\\n\\pmb{\\beta}_r^{\\top} X_{:,j}& = \\beta_{r,0} + \\beta_{r,1} x_{1} + \\dots + \\beta_{r,p} x_p & \\approx \\log(\\rho_r^j) \\\\\n\\pmb{B} & = \\begin{pmatrix}\n\\pmb{\\beta}_1 \\dots \\pmb{\\beta}_r \\dots \\pmb{\\beta}_R\n\\end{pmatrix} & \\pmb{B}^{\\top} X_{:,j} \\approx \\log(\\pmb{\\rho}^j) \\\\\n\\pmb{B}^{\\top} \\pmb{X} & \\approx \\log((\\pmb{\\rho}^j)_{j=1,\\dots,n_2}) = \\log(\\pmb{\\Rho})\\\\\n\\end{align*} Et pour les probas en lignes du LBM \\begin{align*}\n\\pmb{\\gamma}_{q}& = \\begin{pmatrix}\n \\gamma_{q,0}\\\\\n \\vdots\\\\\n \\gamma_{q,d}\n\\end{pmatrix}, & V_{:,i} = \\begin{pmatrix}\n 1\\\\\n v_{1}\\\\\n \\vdots\\\\\n v_d\n\\end{pmatrix}\\\\\n\\pmb{\\gamma}_q^{\\top} V_{:,i}& = \\gamma_{q,0} + \\gamma_{q,1} x_{1} + \\dots + \\gamma_{q,p} x_p & \\approx \\log(\\pi_q^i) \\\\\n\\pmb{\\Gamma} & = \\begin{pmatrix}\n\\pmb{\\gamma}_1 \\dots \\pmb{\\gamma}_q \\dots \\pmb{\\gamma}_Q\n\\end{pmatrix} & \\pmb{\\Gamma}^{\\top} V_{:,i} \\approx \\log(\\pmb{\\pi}^i) \\\\\n\\pmb{\\Gamma}^{\\top} \\pmb{X} & \\approx \\log((\\pmb{\\pi}^i)_{i=1,\\dots,n_1}) = \\log(\\pmb{\\Pi})\n\n\n\\end{align*}\n\n\n\nSoient X : (p+1, n_2), B : (p+1, R) avec X de plein rang, i.e., rg(X) = p+1\\implies XX^{\\top} est inversible.\nOn veut qu’il existe B^{\\prime} et B avec B_{:,R} = \\vec 0_p, par les propriétés de la fonction softmax, \\sigma(.) :\n\\begin{align*}\n& \\sigma(B^{\\top}X) = \\sigma({B^{\\prime}}^{\\top}X)\\\\\n& \\iff \\exists C \\in \\mathbb{R}^{n_2}, B^{\\top} X = {B^{\\prime}}^{\\top} X + \\pmb{1}_R C^{\\top}\\\\\n& \\iff \\exists C \\in \\mathbb{R}^{n_2}, B^{\\top} X - \\pmb{1}_R C^{\\top} = {B^{\\prime}}^{\\top} X\\\\\n& \\iff \\exists C \\in \\mathbb{R}^{n_2}, (B^{\\top} X - \\pmb{1}_R C^{\\top}) X^{\\top} = {B^{\\prime}}^{\\top} X X^{\\top}\\\\\n& \\iff \\exists C \\in \\mathbb{R}^{n_2}, (B^{\\top} X - \\pmb{1}_R C^{\\top}) X^{\\top}(X X^{\\top})^{-1} = {B^{\\prime}}^{\\top}\\\\\n\n\n\\end{align*}\n\n\n\nToujours modèle LBM mais avec probas d’appartenance pour les colonnes variables:\n\\begin{align*}\nZ_i &\\sim \\mathcal{M}(1; \\pi_1, \\dots, \\pi_Q), \\sum_{q=1}^{Q} \\pi_q = 1\\\\\nW_j &\\sim \\mathcal{M}(1; \\rho_1^j, \\dots, \\rho_R^j), \\sum_{r=1}^{R} \\rho_r^j = 1\\\\\nY_{i,j}&\\mid Z_i = q, W_j = r \\sim \\mathcal{F}(\\alpha_{qr})\n\\end{align*}\nInférence variationnelle donc \\ell(Y;\\pmb{\\theta}) \\geq \\mathcal{J}(\\mathcal{R},\\pmb{\\theta}) avec\n\n\\mathcal{J}(\\mathcal{R},\\pmb{\\theta})= \\sum_{i = 1}^{n_1}\\sum_{j=1}^{n_2}\\sum_{q \\in \\mathcal{Q}_1} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{iq}^{1} \\tau_{jr}^{2} \\log f(Y_{ij}; \\alpha_{qr})\n + \\sum_{i=1}^{n_1} \\sum_{q \\in \\mathcal{Q}_1} \\tau_{iq}^{1} \\log \\pi_{\\color{black}q} + \\sum_{j=1}^{n_2} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{jr}^{2} \\log \\rho_{\\color{black}r} \\\\\n - \\sum_{i=1}^{n_1} \\tau_{iq}^{1} \\log \\tau_{iq}^{1} - \\sum_{j=1}^{n_2} \\tau_{jr}^{2} \\log \\tau_{jr}^{2}\n\n\n\nAvec \\rho_r^j = \\frac{\\exp{\\beta_r X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} = \\sigma(\\pmb{\\beta} \\pmb{X})_{r,j}, où \\sigma désigne le softmax. Mais il y a besoin de poser une contrainte sur l’un des (\\beta_r)_{r=1,\\dots,R}, ici \\beta_R = 0.\nLa partie pertinente de l’ELBO devient: \n P((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\sum_{r=1}^{R} [\\tau_{jr} (\\beta_r X_j - \\log (\\sum_{s=1}^{R} \\exp{\\beta_s X_j}))]\n\\tag{1}\nEt on obtient la dérivée partielle par rapport à \\beta_t comme: \\begin{align*}\n\\dfrac{\\partial P}{\\partial \\beta_t}&((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\biggl[ \\tau_{jt} X_j - \\frac{X_j \\exp{\\beta_t X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} \\biggr]\\\\\n& = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\sigma(\\pmb{\\beta} \\pmb{X})_{t,j}\\bigr) X_j\\biggr] = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\rho_t^j \\bigr) X_j\\biggr]\n\\end{align*}\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-6/2026-6.html#a-discuter",
|
||
"href": "suivi/2026-6/2026-6.html#a-discuter",
|
||
"title": "Bilan semaine 6 2026 : 02 février - 06 février",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\n🆕 Voir pour des Réseaux / GDR ou aller\n🆕 Chercher des cours à suivre"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-6/2026-6.html#biblio-à-faire",
|
||
"href": "suivi/2026-6/2026-6.html#biblio-à-faire",
|
||
"title": "Bilan semaine 6 2026 : 02 février - 06 février",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-6/2026-6.html#lectures-en-cours",
|
||
"href": "suivi/2026-6/2026-6.html#lectures-en-cours",
|
||
"title": "Bilan semaine 6 2026 : 02 février - 06 février",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-18/2025-18.html",
|
||
"href": "suivi/2025-18/2025-18.html",
|
||
"title": "Bilan semaine 18 2025 : 28 avril - 2 mai",
|
||
"section": "",
|
||
"text": "Lire biblio fournie Julie, Inférence de réseaux : co-occurence\nPapier pour comprendre données\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS\n\n\n\n\n\nRelire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nRegarder les applications pour les collections de réseaux recommender system\nLire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson\nDire résultats nettement meilleurs et variabilités inférieures.\nIntégrer les retours de Sophie\n\n\n\n\n\nComparer sur clustering unipartite avec versions symétriser des par blocs des matrices d’adjacences.\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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.\n\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\n\nCréer 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."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-18/2025-18.html#a-faire",
|
||
"href": "suivi/2025-18/2025-18.html#a-faire",
|
||
"title": "Bilan semaine 18 2025 : 28 avril - 2 mai",
|
||
"section": "",
|
||
"text": "Lire biblio fournie Julie, Inférence de réseaux : co-occurence\nPapier pour comprendre données\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS\n\n\n\n\n\nRelire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nRegarder les applications pour les collections de réseaux recommender system\nLire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson\nDire résultats nettement meilleurs et variabilités inférieures.\nIntégrer les retours de Sophie\n\n\n\n\n\nComparer sur clustering unipartite avec versions symétriser des par blocs des matrices d’adjacences.\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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.\n\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\n\nCréer 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."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-18/2025-18.html#jai-fait",
|
||
"href": "suivi/2025-18/2025-18.html#jai-fait",
|
||
"title": "Bilan semaine 18 2025 : 28 avril - 2 mai",
|
||
"section": "J’ai fait",
|
||
"text": "J’ai fait\n\nJdS\n\ncolDEM CSE\n\n\n\nClustering exhaustif Baldock\n\nLe clustering de toutes les 52 partitions s’est fait en 5h30 ! (Mémoïsation)\nPour iid la meilleure partition avec BICL=-9466.911 contre BICL_{algo} = -9466.873 \\pm 0.02205 trouvé avec l’algo \nPour \\pi\\rho la meilleure partition avec BICL = -9497.92 contre BICL_{algo} =-9497.92 \\pm 0.00009"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-18/2025-18.html#a-continuer",
|
||
"href": "suivi/2025-18/2025-18.html#a-continuer",
|
||
"title": "Bilan semaine 18 2025 : 28 avril - 2 mai",
|
||
"section": "A continuer",
|
||
"text": "A continuer\n\nRésultats 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.\nLire Biological Networks - François Képès\nRelancer 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\n\n\nApplications\n\nIdée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation\n\n\nSophie 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 !\n\n\n\nSimulations article\n\nRelancer 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."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-50/2025-50.html",
|
||
"href": "suivi/2025-50/2025-50.html",
|
||
"title": "Bilan semaine 50 2025 : 08 décembre - 12 décembre",
|
||
"section": "",
|
||
"text": "⚠️ IL Y A UNE TYPO SUR LE SIGNE DE L’ENTROPIE POUR LE PAPIER: - \\mathcal{H} au lieu de +\\mathcal{H}\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nFaire tourner clustering sur Trojelsgaard\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\nFaire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n👶 (délégué à Mona) Clustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\nRegarder Largest gap sur réseaux Doré\n⌛ Essayer clustering sur supinfo\n\nCAH et Kmeans tendent vers faire K = 13 clusters sur les supinfos\nEnrichir avec des métriques sur les réseaux (nestedness, connectance autres ?)\nDemander à Elisa pour la signification des métadonnées\nDemander à Elisa une fois vu cohérences de groupe voir pour interprétation écologiques ?\nAlgo de clustering sur les groupes trouvés\n\n\n\n\n\n\n\nToujours modèle LBM mais avec probas d’appartenance pour les colonnes variables:\n\\begin{align*}\nZ_i &\\sim \\mathcal{M}(1; \\pi_1, \\dots, \\pi_Q), \\sum_{q=1}^{Q} \\pi_q = 1\\\\\nW_j &\\sim \\mathcal{M}(1; \\rho_1^j, \\dots, \\rho_R^j), \\sum_{r=1}^{R} \\rho_r^j = 1\\\\\nY_{i,j}&\\mid Z_i = q, W_j = r \\sim \\mathcal{F}(\\alpha_{qr})\n\\end{align*}\nInférence variationnelle donc \\ell(Y;\\pmb{\\theta}) \\geq \\mathcal{J}(\\mathcal{R},\\pmb{\\theta}) avec\n\n\\mathcal{J}(\\mathcal{R},\\pmb{\\theta})= \\sum_{i = 1}^{n_1}\\sum_{j=1}^{n_2}\\sum_{q \\in \\mathcal{Q}_1} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{iq}^{1} \\tau_{jr}^{2} \\log f(Y_{ij}; \\alpha_{qr})\n + \\sum_{i=1}^{n_1} \\sum_{q \\in \\mathcal{Q}_1} \\tau_{iq}^{1} \\log \\pi_{\\color{black}q} + \\sum_{j=1}^{n_2} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{jr}^{2} \\log \\rho_{\\color{black}r} \\\\\n - \\sum_{i=1}^{n_1} \\tau_{iq}^{1} \\log \\tau_{iq}^{1} - \\sum_{j=1}^{n_2} \\tau_{jr}^{2} \\log \\tau_{jr}^{2}\n\nPlusieurs possibilités pour la définition de \\rho_r^j\n\n\nDénominateur pas correct, ne somme pas à 1.\n\\rho_r^j = \\frac{\\exp{\\beta_r X_j\\mathbf{1}_{\\{r\\neq R\\}}}}{1+\\sum_{s=1}^{R-1} \\beta_s X_j}, \\beta_R = 0 et \\rho_R^{j} = \\frac{1}{1+\\sum_{s=1}^{R-1} \\beta_s X_j} (pas de compréhension intuitive)\nLa partie pertinente de l’ELBO devient: \n P((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\sum_{r=1}^{R} [\\tau_{jr} (\\beta_r X_j \\mathbb{1}_{r\\neq R} - \\log (1+\\sum_{s=1}^{R-1} \\beta_s X_j))]\n\nEt on obtient la dérivée partielle par rapport à \\beta_t comme: \\begin{align*}\n\\dfrac{\\partial P}{\\partial \\beta_t}&((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\biggl[ \\tau_{jt} X_j - \\frac{X_j}{1+\\sum_{s=1}^{R-1} \\exp{\\beta_s X_j}} \\biggr]\\\\\n& = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\frac{1}{1+\\sum_{s=1}^{R-1} \\beta_s X_j} \\bigr) X_j\\biggr] = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\rho_R^j \\bigr) X_j\\biggr]\n\\end{align*}\n❓ Gradient mesure l’écart entre probas a posteriori et la proba a priori du groupe de référence ?\nConclusion: Il manque l’exponentielle cette formulation ne somme pas à 1.\n\n\n\nAvec \\rho_r^j = \\frac{\\exp{\\beta_r X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} = \\sigma(\\pmb{\\beta} \\pmb{X})_{r,j}, où \\sigma désigne le softmax. Mais il y a besoin de poser une contrainte sur l’un des (\\beta_r)_{r=1,\\dots,R}, ici \\beta_R = 0.\nLa partie pertinente de l’ELBO devient: \n P((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\sum_{r=1}^{R} [\\tau_{jr} (\\beta_r X_j - \\log (\\sum_{s=1}^{R} \\exp{\\beta_s X_j}))]\n\nEt on obtient la dérivée partielle par rapport à \\beta_t comme: \\begin{align*}\n\\dfrac{\\partial P}{\\partial \\beta_t}&((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\biggl[ \\tau_{jt} X_j - \\frac{X_j \\exp{\\beta_t X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} \\biggr]\\\\\n& = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\sigma(\\pmb{\\beta} \\pmb{X})_{t,j}\\bigr) X_j\\biggr] = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\rho_t^j \\bigr) X_j\\biggr]\n\\end{align*}\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-50/2025-50.html#todo-list",
|
||
"href": "suivi/2025-50/2025-50.html#todo-list",
|
||
"title": "Bilan semaine 50 2025 : 08 décembre - 12 décembre",
|
||
"section": "",
|
||
"text": "⚠️ IL Y A UNE TYPO SUR LE SIGNE DE L’ENTROPIE POUR LE PAPIER: - \\mathcal{H} au lieu de +\\mathcal{H}\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nFaire tourner clustering sur Trojelsgaard\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\nFaire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n👶 (délégué à Mona) Clustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\nRegarder Largest gap sur réseaux Doré\n⌛ Essayer clustering sur supinfo\n\nCAH et Kmeans tendent vers faire K = 13 clusters sur les supinfos\nEnrichir avec des métriques sur les réseaux (nestedness, connectance autres ?)\nDemander à Elisa pour la signification des métadonnées\nDemander à Elisa une fois vu cohérences de groupe voir pour interprétation écologiques ?\nAlgo de clustering sur les groupes trouvés\n\n\n\n\n\n\n\nToujours modèle LBM mais avec probas d’appartenance pour les colonnes variables:\n\\begin{align*}\nZ_i &\\sim \\mathcal{M}(1; \\pi_1, \\dots, \\pi_Q), \\sum_{q=1}^{Q} \\pi_q = 1\\\\\nW_j &\\sim \\mathcal{M}(1; \\rho_1^j, \\dots, \\rho_R^j), \\sum_{r=1}^{R} \\rho_r^j = 1\\\\\nY_{i,j}&\\mid Z_i = q, W_j = r \\sim \\mathcal{F}(\\alpha_{qr})\n\\end{align*}\nInférence variationnelle donc \\ell(Y;\\pmb{\\theta}) \\geq \\mathcal{J}(\\mathcal{R},\\pmb{\\theta}) avec\n\n\\mathcal{J}(\\mathcal{R},\\pmb{\\theta})= \\sum_{i = 1}^{n_1}\\sum_{j=1}^{n_2}\\sum_{q \\in \\mathcal{Q}_1} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{iq}^{1} \\tau_{jr}^{2} \\log f(Y_{ij}; \\alpha_{qr})\n + \\sum_{i=1}^{n_1} \\sum_{q \\in \\mathcal{Q}_1} \\tau_{iq}^{1} \\log \\pi_{\\color{black}q} + \\sum_{j=1}^{n_2} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{jr}^{2} \\log \\rho_{\\color{black}r} \\\\\n - \\sum_{i=1}^{n_1} \\tau_{iq}^{1} \\log \\tau_{iq}^{1} - \\sum_{j=1}^{n_2} \\tau_{jr}^{2} \\log \\tau_{jr}^{2}\n\nPlusieurs possibilités pour la définition de \\rho_r^j\n\n\nDénominateur pas correct, ne somme pas à 1.\n\\rho_r^j = \\frac{\\exp{\\beta_r X_j\\mathbf{1}_{\\{r\\neq R\\}}}}{1+\\sum_{s=1}^{R-1} \\beta_s X_j}, \\beta_R = 0 et \\rho_R^{j} = \\frac{1}{1+\\sum_{s=1}^{R-1} \\beta_s X_j} (pas de compréhension intuitive)\nLa partie pertinente de l’ELBO devient: \n P((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\sum_{r=1}^{R} [\\tau_{jr} (\\beta_r X_j \\mathbb{1}_{r\\neq R} - \\log (1+\\sum_{s=1}^{R-1} \\beta_s X_j))]\n\nEt on obtient la dérivée partielle par rapport à \\beta_t comme: \\begin{align*}\n\\dfrac{\\partial P}{\\partial \\beta_t}&((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\biggl[ \\tau_{jt} X_j - \\frac{X_j}{1+\\sum_{s=1}^{R-1} \\exp{\\beta_s X_j}} \\biggr]\\\\\n& = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\frac{1}{1+\\sum_{s=1}^{R-1} \\beta_s X_j} \\bigr) X_j\\biggr] = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\rho_R^j \\bigr) X_j\\biggr]\n\\end{align*}\n❓ Gradient mesure l’écart entre probas a posteriori et la proba a priori du groupe de référence ?\nConclusion: Il manque l’exponentielle cette formulation ne somme pas à 1.\n\n\n\nAvec \\rho_r^j = \\frac{\\exp{\\beta_r X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} = \\sigma(\\pmb{\\beta} \\pmb{X})_{r,j}, où \\sigma désigne le softmax. Mais il y a besoin de poser une contrainte sur l’un des (\\beta_r)_{r=1,\\dots,R}, ici \\beta_R = 0.\nLa partie pertinente de l’ELBO devient: \n P((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\sum_{r=1}^{R} [\\tau_{jr} (\\beta_r X_j - \\log (\\sum_{s=1}^{R} \\exp{\\beta_s X_j}))]\n\nEt on obtient la dérivée partielle par rapport à \\beta_t comme: \\begin{align*}\n\\dfrac{\\partial P}{\\partial \\beta_t}&((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\biggl[ \\tau_{jt} X_j - \\frac{X_j \\exp{\\beta_t X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} \\biggr]\\\\\n& = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\sigma(\\pmb{\\beta} \\pmb{X})_{t,j}\\bigr) X_j\\biggr] = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\rho_t^j \\bigr) X_j\\biggr]\n\\end{align*}\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-50/2025-50.html#a-discuter",
|
||
"href": "suivi/2025-50/2025-50.html#a-discuter",
|
||
"title": "Bilan semaine 50 2025 : 08 décembre - 12 décembre",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\n🆕 Voir pour des Réseaux / GDR ou aller\n🆕 Chercher des cours à suivre"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-50/2025-50.html#biblio-à-faire",
|
||
"href": "suivi/2025-50/2025-50.html#biblio-à-faire",
|
||
"title": "Bilan semaine 50 2025 : 08 décembre - 12 décembre",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-50/2025-50.html#lectures-en-cours",
|
||
"href": "suivi/2025-50/2025-50.html#lectures-en-cours",
|
||
"title": "Bilan semaine 50 2025 : 08 décembre - 12 décembre",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-21/2025-21.html",
|
||
"href": "suivi/2025-21/2025-21.html",
|
||
"title": "Bilan semaine 21 2025 : 26 mai - 30 mai",
|
||
"section": "",
|
||
"text": "✅ Corriger pour les simus dans l’article : écrire N = \\#\\text{ de répétitions}\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\nFaire le hclust avec diverses distances et voir si les coupes proposées diffèrent sensiblement\nSi plusieurs clustering possibles les tester et sélectionner le meilleur\nRé-ajuster les bonnes partitions.\n\nIdée de Sophie : alterner descendant et ascendant → prometteur aussi\nPour les deux propositions données simulées tester diverses distances.\nDé-bugger les simulations :\n\nInférence : 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.\n\nVérifier si problème de version tidyverse pour vapply sur l’inférence.\nSi problème de parallélisation vient de pb de version future.callr le signaler à MIGALE.\n\n\n\n\n✅ A l’oral pourquoi des réseaux : car de plus en plus disponibles et idée derrière, la structure fonctionnelle permet de comprendre les caractéristiques de l’écosystème décrit\n✅ Chercher des réfs pour les méthodes (Hoff Latent Position Model, Nowicki pour LBM, une review pour les métriques voir thèses St Clair et Emré)\n✅ Sur slide méthodes différencier métriques micro et macro et dire oralement que nous méso\n❎ Indiquer sur une slide le problème de support pour \\pi\\rho à faire s’il y a le temps.\n✅ Résultats sur les réseaux Baldock, regarder le positionnement par bloc des espèces communes, regarder les probas d’appartenance aux blocs par espèces communes et par réseau ➡️ Bourdons\n✅ Intégrer les retours de Sophie\nAttente retours Pierre\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\nComparer les perfs du VAE sur Baldock avec colBiSBM par exemple\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nSe renseigner techniques d’inférence de réseaux :\n\ncovariance (base corrélation et seuil)\nGraphicalLASSO\nCo-occurence\n\nLancer colSBM sur OTU\\times OTU\nCreuser TabNet de Christophe Regouby et les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nDemander à JA si elle connaît des réseaux d’interactions connus par les experts (idée d’intégrer une connaissance experte et de voir les différences de structure par rapport à celle attendue)\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-21/2025-21.html#top-priorité",
|
||
"href": "suivi/2025-21/2025-21.html#top-priorité",
|
||
"title": "Bilan semaine 21 2025 : 26 mai - 30 mai",
|
||
"section": "",
|
||
"text": "✅ Corriger pour les simus dans l’article : écrire N = \\#\\text{ de répétitions}\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\nFaire le hclust avec diverses distances et voir si les coupes proposées diffèrent sensiblement\nSi plusieurs clustering possibles les tester et sélectionner le meilleur\nRé-ajuster les bonnes partitions.\n\nIdée de Sophie : alterner descendant et ascendant → prometteur aussi\nPour les deux propositions données simulées tester diverses distances.\nDé-bugger les simulations :\n\nInférence : 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.\n\nVérifier si problème de version tidyverse pour vapply sur l’inférence.\nSi problème de parallélisation vient de pb de version future.callr le signaler à MIGALE.\n\n\n\n\n✅ A l’oral pourquoi des réseaux : car de plus en plus disponibles et idée derrière, la structure fonctionnelle permet de comprendre les caractéristiques de l’écosystème décrit\n✅ Chercher des réfs pour les méthodes (Hoff Latent Position Model, Nowicki pour LBM, une review pour les métriques voir thèses St Clair et Emré)\n✅ Sur slide méthodes différencier métriques micro et macro et dire oralement que nous méso\n❎ Indiquer sur une slide le problème de support pour \\pi\\rho à faire s’il y a le temps.\n✅ Résultats sur les réseaux Baldock, regarder le positionnement par bloc des espèces communes, regarder les probas d’appartenance aux blocs par espèces communes et par réseau ➡️ Bourdons\n✅ Intégrer les retours de Sophie\nAttente retours Pierre\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\nComparer les perfs du VAE sur Baldock avec colBiSBM par exemple\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nSe renseigner techniques d’inférence de réseaux :\n\ncovariance (base corrélation et seuil)\nGraphicalLASSO\nCo-occurence\n\nLancer colSBM sur OTU\\times OTU\nCreuser TabNet de Christophe Regouby et les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nDemander à JA si elle connaît des réseaux d’interactions connus par les experts (idée d’intégrer une connaissance experte et de voir les différences de structure par rapport à celle attendue)\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-21/2025-21.html#a-discuter",
|
||
"href": "suivi/2025-21/2025-21.html#a-discuter",
|
||
"title": "Bilan semaine 21 2025 : 26 mai - 30 mai",
|
||
"section": "A discuter",
|
||
"text": "A discuter"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-21/2025-21.html#a-faire",
|
||
"href": "suivi/2025-21/2025-21.html#a-faire",
|
||
"title": "Bilan semaine 21 2025 : 26 mai - 30 mai",
|
||
"section": "A faire",
|
||
"text": "A faire\n\nInférence\n\nPapier pour comprendre données\n\nFaust et al.\nAbdill et al.\nBashan et al.\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS\n\n\n\nRédaction article\n\nRelire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nDire résultats nettement meilleurs et variabilités inférieures."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-21/2025-21.html#a-continuer",
|
||
"href": "suivi/2025-21/2025-21.html#a-continuer",
|
||
"title": "Bilan semaine 21 2025 : 26 mai - 30 mai",
|
||
"section": "A continuer",
|
||
"text": "A continuer\n\nApplications\n\nIdée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation\n\n\nSophie 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 !\n\n\n\nAxe inférence\n\nLire biblio fournie Julie, Inférence de réseaux : co-occurence\n\n\nJ’ai lu Faust et al. Je lis Abdill et al."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-21/2025-21.html#repoussés-ou-abandonnés",
|
||
"href": "suivi/2025-21/2025-21.html#repoussés-ou-abandonnés",
|
||
"title": "Bilan semaine 21 2025 : 26 mai - 30 mai",
|
||
"section": "Repoussés ou abandonnés",
|
||
"text": "Repoussés ou abandonnés\n\n\n\n\n\n\nDéplier pour voir\n\n\n\n\n\n\nRésultats 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.\n\n\nJe n’arrive pas à comprendre les erreurs qui arrivent\n\n\nLire Biological Networks - François Képès\nRegarder les applications pour les collections de réseaux recommender system Pas pertinents et trop gros\n\n\n\n\nListing 1: Recommender systems data\n\n\nPar exemple :\n\nListe de recommendation data\n\n\n\n\n\nPapier plus multi-applications\n\nDonnées d’Elisa herbivore ?\nDonnées urbanisations ?\n\n\n\nAutour de l’article et du package\n\nCréer 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.\n\n\n\nSimulations article\n\nComparer sur clustering unipartite avec versions symétriser des par blocs des matrices d’adjacences.\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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."
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-7/2026-7.html",
|
||
"href": "suivi/2026-7/2026-7.html",
|
||
"title": "Bilan semaine 7 2026 : 09 février - 13 février",
|
||
"section": "",
|
||
"text": "Petites opérations sur les OTUs (regarder la matrice dans les yeux):\n\nRanger les OTUs par variances (i.e. sd(OTU_j))\n\nHMC sur-dispersés (au-dessus bissectrice)\nEnterotype phyloseq sous-disp\n\nRegarder la proportion de 1. taxon rares, 2. zeros.\nFaire des coupures selon niveaux taxonomiques et regarder si \\mathbb{V}_{\\text{intra}} \\approx \\mathbb{V}_{\\text{inter}}\nBonus: faire ça dans qmd et voir si forge permet gitlab pages\n\n✅ Avec blockmodels, codé un LBM-Séquentiel. Des différences contrastées…\n\nTODO Ajouter lien vers notebooks résultats\n\nRelire Peixoto (2014)\n\nRegarder les gens qui citent les travaux de Peixoto\n\n⌛ En cours Implémentation blockmodels LBM avec covariables sur proportions (voir Équation 1)\n\n\n\n\n\n\n\nIdées\n\n\n\n\nTravailler sur Fungus Tree network\n⌛Demander à PB et SD, ils regardent : Comparaison covar prop avec GREMLINS multipartite sur (log(dist_phylo), fungus-tree)\nTrouver 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 ?\n⌛ 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 ?\n\n⌛ Simulations avec n_2 croissant lancée sur Migale\nRéimplementé 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.\n\n\n\n\n\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\n👶 (délégué à Mona) Clustering sur Doré :\n\nAjouter Chao1 et 2, colonne par colonne (site par site), et faire indice moyen et la variance.\n\n\n\n\n\n✅ En préparation d’un fichier (réu avec JBL à 10h45 le 06/02/2026). 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.\n\n😄 Avantage s’inscrit directement dans blockmodels et permet d’avoir toutes les lois d’émissions déjà codées et compatibles !\n😢 Besoin de réfléchir a une bonne implémentation.\n\n\n\n\n\\begin{align*}\n\\pmb{\\beta}_{r}& = \\begin{pmatrix}\n \\beta_{r,0}\\\\\n \\vdots\\\\\n \\beta_{r,p}\n\\end{pmatrix}, & X_{j,\\bullet} = \\begin{pmatrix}\n 1 = x_{0,j} & x_{1,j} & \\dots & x_{p,j}\n\\end{pmatrix}\\\\\nX_{j,\\bullet} \\pmb{\\beta}_r& = \\beta_{r,0} x_{0,j} + \\beta_{r,1} x_{1,j} + \\dots + \\beta_{r,p} x_{p,j} & \\approx \\log(\\rho_r^j) \\\\\nB & = \\begin{pmatrix}\n\\pmb{\\beta}_1 \\dots \\pmb{\\beta}_r \\dots \\pmb{\\beta}_R\n\\end{pmatrix} & X_{j,\\bullet}B \\approx \\log(\\pmb{\\rho}^j) \\\\\nX B & \\approx \\log((\\pmb{\\rho}^j)_{j=1,\\dots,n_2}) = \\log(\\pmb{\\Rho})\\\\\n\\end{align*} Et pour les probas en lignes du LBM \\begin{align*}\n\\pmb{\\gamma}_{q}& = \\begin{pmatrix}\n \\gamma_{q,0}\\\\\n \\vdots\\\\\n \\gamma_{q,d}\n\\end{pmatrix}, & V_{i,\\bullet} = \\begin{pmatrix}\n 1 = v_{0,i} & v_{1,i} & \\dots & v_{d,i}\n\\end{pmatrix}\\\\\nV_{i,\\bullet} \\pmb{\\gamma}_q & = \\gamma_{q,0} v_{0,i} + \\gamma_{q,1} v_{1,i} + \\dots + \\gamma_{q,d} v_{d,i} & \\approx \\log(\\pi_q^i) \\\\\n\\Gamma & = \\begin{pmatrix}\n\\gamma_1 \\dots \\pmb{\\gamma}_q \\dots \\pmb{\\gamma}_Q\n\\end{pmatrix} & V_{i,\\bullet} \\Gamma \\approx \\log(\\pmb{\\pi}^i) \\\\\nV \\Gamma & \\approx \\log((\\pmb{\\pi}^i)_{i=1,\\dots,n_1}) = \\log(\\pmb{\\Pi})\n\n\n\\end{align*}\n\n\n\nSoient B,B^{\\prime} avec B_{\\bullet,R} = B^{\\prime}_{\\bullet,R} = \\vec{0}_{p+1} et X de rang plein tel que X^{\\top}X soit inversible.\n\\begin{align*}\n&\\sigma(XB) = \\sigma(XB^{\\prime})\\\\\n&\\implies \\exists C = \\begin{pmatrix}c_1 \\\\ \\vdots \\\\ c_j \\\\ \\vdots \\\\ c_{n_2}\\end{pmatrix} \\in \\mathbb{R}^{n_2}, X B = X B^{\\prime} + C \\pmb{1}_{R}^{\\top} \\\\\n&\\implies \\exists C \\in \\mathbb{R}^{n_2}, (X B)_{j,r} = (X B^{\\prime})_{j,r} + (C \\pmb{1}_{R}^{\\top})_{j,r} \\\\\n&\\implies \\exists C \\in \\mathbb{R}^{n_2}, \\forall r\\in\\{1\\dots,R\\}, \\forall j\\in\\{1,\\dots,n_2\\}, \\sum_{k=1}^{p+1} x_{j,k} \\beta_{k,r} = \\sum_{k=1}^{p+1} x_{j,k} \\beta^{\\prime}_{k,r} + c_j\\\\\n&\\implies \\exists C \\in \\mathbb{R}^{n_2}, \\forall j\\in\\{1,\\dots,n_2\\}, \\sum_{k=1}^{p+1} x_{j,k} \\beta_{k,R} = \\sum_{k=1}^{p+1} x_{j,k} \\beta^{\\prime}_{k,R} + c_j \\\\\n&\\implies \\exists C \\in \\mathbb{R}^{n_2}, \\forall j\\in\\{1,\\dots,n_2\\}, \\sum_{k=1}^{p+1} x_{j,k} \\times 0 = \\sum_{k=1}^{p+1} x_{j,k} \\times 0 + c_j \\\\\n&\\implies \\exists C \\in \\mathbb{R}^{n_2}, \\forall j\\in\\{1,\\dots,n_2\\}, 0 = 0 + c_j \\implies c_j = 0 \\\\\n&\\implies C = \\begin{pmatrix} 0 \\\\ \\vdots \\\\ 0 \\end{pmatrix} \\text{and thus}, XB = XB^{\\prime} \\\\\n& \\implies (X^{\\top} X)^{-1}X^{\\top} X B = (X^{\\top} X)^{-1}X^{\\top} X B^{\\prime} \\implies B=B^{\\prime}\n\\end{align*}\n\n\n\nToujours modèle LBM mais avec probas d’appartenance pour les colonnes variables:\n\\begin{align*}\nZ_i &\\sim \\mathcal{M}(1; \\pi_1, \\dots, \\pi_Q), \\sum_{q=1}^{Q} \\pi_q = 1\\\\\nW_j &\\sim \\mathcal{M}(1; \\rho_1^j, \\dots, \\rho_R^j), \\sum_{r=1}^{R} \\rho_r^j = 1\\\\\nY_{i,j}&\\mid Z_i = q, W_j = r \\sim \\mathcal{F}(\\alpha_{qr})\n\\end{align*}\nInférence variationnelle donc \\ell(Y;\\pmb{\\theta}) \\geq \\mathcal{J}(\\mathcal{R},\\pmb{\\theta}) avec\n\n\\mathcal{J}(\\mathcal{R},\\pmb{\\theta})= \\sum_{i = 1}^{n_1}\\sum_{j=1}^{n_2}\\sum_{q \\in \\mathcal{Q}_1} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{iq}^{1} \\tau_{jr}^{2} \\log f(Y_{ij}; \\alpha_{qr})\n + \\sum_{i=1}^{n_1} \\sum_{q \\in \\mathcal{Q}_1} \\tau_{iq}^{1} \\log \\pi_{\\color{black}q} + \\sum_{j=1}^{n_2} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{jr}^{2} \\log \\rho_{\\color{black}r} \\\\\n - \\sum_{i=1}^{n_1} \\tau_{iq}^{1} \\log \\tau_{iq}^{1} - \\sum_{j=1}^{n_2} \\tau_{jr}^{2} \\log \\tau_{jr}^{2}\n\n\n\nAvec \\rho_r^j = \\frac{\\exp{\\beta_r X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} = \\sigma(\\pmb{\\beta} \\pmb{X})_{r,j}, où \\sigma désigne le softmax. Mais il y a besoin de poser une contrainte sur l’un des (\\beta_r)_{r=1,\\dots,R}, ici \\beta_R = 0.\nLa partie pertinente de l’ELBO devient: \n P((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\sum_{r=1}^{R} [\\tau_{jr} (\\beta_r X_j - \\log (\\sum_{s=1}^{R} \\exp{\\beta_s X_j}))]\n\\tag{1}\nEt on obtient la dérivée partielle par rapport à \\beta_t comme: \\begin{align*}\n\\dfrac{\\partial P}{\\partial \\beta_t}&((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\biggl[ \\tau_{jt} X_j - \\frac{X_j \\exp{\\beta_t X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} \\biggr]\\\\\n& = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\sigma(\\pmb{\\beta} \\pmb{X})_{t,j}\\bigr) X_j\\biggr] = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\rho_t^j \\bigr) X_j\\biggr]\n\\end{align*}\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-7/2026-7.html#todo-list",
|
||
"href": "suivi/2026-7/2026-7.html#todo-list",
|
||
"title": "Bilan semaine 7 2026 : 09 février - 13 février",
|
||
"section": "",
|
||
"text": "Petites opérations sur les OTUs (regarder la matrice dans les yeux):\n\nRanger les OTUs par variances (i.e. sd(OTU_j))\n\nHMC sur-dispersés (au-dessus bissectrice)\nEnterotype phyloseq sous-disp\n\nRegarder la proportion de 1. taxon rares, 2. zeros.\nFaire des coupures selon niveaux taxonomiques et regarder si \\mathbb{V}_{\\text{intra}} \\approx \\mathbb{V}_{\\text{inter}}\nBonus: faire ça dans qmd et voir si forge permet gitlab pages\n\n✅ Avec blockmodels, codé un LBM-Séquentiel. Des différences contrastées…\n\nTODO Ajouter lien vers notebooks résultats\n\nRelire Peixoto (2014)\n\nRegarder les gens qui citent les travaux de Peixoto\n\n⌛ En cours Implémentation blockmodels LBM avec covariables sur proportions (voir Équation 1)\n\n\n\n\n\n\n\nIdées\n\n\n\n\nTravailler sur Fungus Tree network\n⌛Demander à PB et SD, ils regardent : Comparaison covar prop avec GREMLINS multipartite sur (log(dist_phylo), fungus-tree)\nTrouver 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 ?\n⌛ 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 ?\n\n⌛ Simulations avec n_2 croissant lancée sur Migale\nRéimplementé 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.\n\n\n\n\n\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\n👶 (délégué à Mona) Clustering sur Doré :\n\nAjouter Chao1 et 2, colonne par colonne (site par site), et faire indice moyen et la variance.\n\n\n\n\n\n✅ En préparation d’un fichier (réu avec JBL à 10h45 le 06/02/2026). 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.\n\n😄 Avantage s’inscrit directement dans blockmodels et permet d’avoir toutes les lois d’émissions déjà codées et compatibles !\n😢 Besoin de réfléchir a une bonne implémentation.\n\n\n\n\n\\begin{align*}\n\\pmb{\\beta}_{r}& = \\begin{pmatrix}\n \\beta_{r,0}\\\\\n \\vdots\\\\\n \\beta_{r,p}\n\\end{pmatrix}, & X_{j,\\bullet} = \\begin{pmatrix}\n 1 = x_{0,j} & x_{1,j} & \\dots & x_{p,j}\n\\end{pmatrix}\\\\\nX_{j,\\bullet} \\pmb{\\beta}_r& = \\beta_{r,0} x_{0,j} + \\beta_{r,1} x_{1,j} + \\dots + \\beta_{r,p} x_{p,j} & \\approx \\log(\\rho_r^j) \\\\\nB & = \\begin{pmatrix}\n\\pmb{\\beta}_1 \\dots \\pmb{\\beta}_r \\dots \\pmb{\\beta}_R\n\\end{pmatrix} & X_{j,\\bullet}B \\approx \\log(\\pmb{\\rho}^j) \\\\\nX B & \\approx \\log((\\pmb{\\rho}^j)_{j=1,\\dots,n_2}) = \\log(\\pmb{\\Rho})\\\\\n\\end{align*} Et pour les probas en lignes du LBM \\begin{align*}\n\\pmb{\\gamma}_{q}& = \\begin{pmatrix}\n \\gamma_{q,0}\\\\\n \\vdots\\\\\n \\gamma_{q,d}\n\\end{pmatrix}, & V_{i,\\bullet} = \\begin{pmatrix}\n 1 = v_{0,i} & v_{1,i} & \\dots & v_{d,i}\n\\end{pmatrix}\\\\\nV_{i,\\bullet} \\pmb{\\gamma}_q & = \\gamma_{q,0} v_{0,i} + \\gamma_{q,1} v_{1,i} + \\dots + \\gamma_{q,d} v_{d,i} & \\approx \\log(\\pi_q^i) \\\\\n\\Gamma & = \\begin{pmatrix}\n\\gamma_1 \\dots \\pmb{\\gamma}_q \\dots \\pmb{\\gamma}_Q\n\\end{pmatrix} & V_{i,\\bullet} \\Gamma \\approx \\log(\\pmb{\\pi}^i) \\\\\nV \\Gamma & \\approx \\log((\\pmb{\\pi}^i)_{i=1,\\dots,n_1}) = \\log(\\pmb{\\Pi})\n\n\n\\end{align*}\n\n\n\nSoient B,B^{\\prime} avec B_{\\bullet,R} = B^{\\prime}_{\\bullet,R} = \\vec{0}_{p+1} et X de rang plein tel que X^{\\top}X soit inversible.\n\\begin{align*}\n&\\sigma(XB) = \\sigma(XB^{\\prime})\\\\\n&\\implies \\exists C = \\begin{pmatrix}c_1 \\\\ \\vdots \\\\ c_j \\\\ \\vdots \\\\ c_{n_2}\\end{pmatrix} \\in \\mathbb{R}^{n_2}, X B = X B^{\\prime} + C \\pmb{1}_{R}^{\\top} \\\\\n&\\implies \\exists C \\in \\mathbb{R}^{n_2}, (X B)_{j,r} = (X B^{\\prime})_{j,r} + (C \\pmb{1}_{R}^{\\top})_{j,r} \\\\\n&\\implies \\exists C \\in \\mathbb{R}^{n_2}, \\forall r\\in\\{1\\dots,R\\}, \\forall j\\in\\{1,\\dots,n_2\\}, \\sum_{k=1}^{p+1} x_{j,k} \\beta_{k,r} = \\sum_{k=1}^{p+1} x_{j,k} \\beta^{\\prime}_{k,r} + c_j\\\\\n&\\implies \\exists C \\in \\mathbb{R}^{n_2}, \\forall j\\in\\{1,\\dots,n_2\\}, \\sum_{k=1}^{p+1} x_{j,k} \\beta_{k,R} = \\sum_{k=1}^{p+1} x_{j,k} \\beta^{\\prime}_{k,R} + c_j \\\\\n&\\implies \\exists C \\in \\mathbb{R}^{n_2}, \\forall j\\in\\{1,\\dots,n_2\\}, \\sum_{k=1}^{p+1} x_{j,k} \\times 0 = \\sum_{k=1}^{p+1} x_{j,k} \\times 0 + c_j \\\\\n&\\implies \\exists C \\in \\mathbb{R}^{n_2}, \\forall j\\in\\{1,\\dots,n_2\\}, 0 = 0 + c_j \\implies c_j = 0 \\\\\n&\\implies C = \\begin{pmatrix} 0 \\\\ \\vdots \\\\ 0 \\end{pmatrix} \\text{and thus}, XB = XB^{\\prime} \\\\\n& \\implies (X^{\\top} X)^{-1}X^{\\top} X B = (X^{\\top} X)^{-1}X^{\\top} X B^{\\prime} \\implies B=B^{\\prime}\n\\end{align*}\n\n\n\nToujours modèle LBM mais avec probas d’appartenance pour les colonnes variables:\n\\begin{align*}\nZ_i &\\sim \\mathcal{M}(1; \\pi_1, \\dots, \\pi_Q), \\sum_{q=1}^{Q} \\pi_q = 1\\\\\nW_j &\\sim \\mathcal{M}(1; \\rho_1^j, \\dots, \\rho_R^j), \\sum_{r=1}^{R} \\rho_r^j = 1\\\\\nY_{i,j}&\\mid Z_i = q, W_j = r \\sim \\mathcal{F}(\\alpha_{qr})\n\\end{align*}\nInférence variationnelle donc \\ell(Y;\\pmb{\\theta}) \\geq \\mathcal{J}(\\mathcal{R},\\pmb{\\theta}) avec\n\n\\mathcal{J}(\\mathcal{R},\\pmb{\\theta})= \\sum_{i = 1}^{n_1}\\sum_{j=1}^{n_2}\\sum_{q \\in \\mathcal{Q}_1} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{iq}^{1} \\tau_{jr}^{2} \\log f(Y_{ij}; \\alpha_{qr})\n + \\sum_{i=1}^{n_1} \\sum_{q \\in \\mathcal{Q}_1} \\tau_{iq}^{1} \\log \\pi_{\\color{black}q} + \\sum_{j=1}^{n_2} \\sum_{r \\in \\mathcal{Q}_2} \\tau_{jr}^{2} \\log \\rho_{\\color{black}r} \\\\\n - \\sum_{i=1}^{n_1} \\tau_{iq}^{1} \\log \\tau_{iq}^{1} - \\sum_{j=1}^{n_2} \\tau_{jr}^{2} \\log \\tau_{jr}^{2}\n\n\n\nAvec \\rho_r^j = \\frac{\\exp{\\beta_r X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} = \\sigma(\\pmb{\\beta} \\pmb{X})_{r,j}, où \\sigma désigne le softmax. Mais il y a besoin de poser une contrainte sur l’un des (\\beta_r)_{r=1,\\dots,R}, ici \\beta_R = 0.\nLa partie pertinente de l’ELBO devient: \n P((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\sum_{r=1}^{R} [\\tau_{jr} (\\beta_r X_j - \\log (\\sum_{s=1}^{R} \\exp{\\beta_s X_j}))]\n\\tag{1}\nEt on obtient la dérivée partielle par rapport à \\beta_t comme: \\begin{align*}\n\\dfrac{\\partial P}{\\partial \\beta_t}&((\\beta_r)_{r=1,\\dots,R}, (X_j)_{j=1,\\dots,n_2}, (\\tau_{jr})_{\\substack{j=1,\\dots,n_2\\\\r=1,\\dots,R}} ) = \\sum_{j=1}^{n_2} \\biggl[ \\tau_{jt} X_j - \\frac{X_j \\exp{\\beta_t X_j}}{\\sum_{s=1}^{R} \\exp{\\beta_s X_j}} \\biggr]\\\\\n& = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\sigma(\\pmb{\\beta} \\pmb{X})_{t,j}\\bigr) X_j\\biggr] = \\sum_{j=1}^{n_2} \\biggl[\\bigl(\\tau_{jt} - \\rho_t^j \\bigr) X_j\\biggr]\n\\end{align*}\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-7/2026-7.html#a-discuter",
|
||
"href": "suivi/2026-7/2026-7.html#a-discuter",
|
||
"title": "Bilan semaine 7 2026 : 09 février - 13 février",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\n🆕 Voir pour des Réseaux / GDR ou aller\n🆕 Chercher des cours à suivre"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-7/2026-7.html#biblio-à-faire",
|
||
"href": "suivi/2026-7/2026-7.html#biblio-à-faire",
|
||
"title": "Bilan semaine 7 2026 : 09 février - 13 février",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-7/2026-7.html#lectures-en-cours",
|
||
"href": "suivi/2026-7/2026-7.html#lectures-en-cours",
|
||
"title": "Bilan semaine 7 2026 : 09 février - 13 février",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-14/2025-14.html",
|
||
"href": "suivi/2025-14/2025-14.html",
|
||
"title": "Bilan semaine 14 2025 : 24-28 mars",
|
||
"section": "",
|
||
"text": "Relire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nAgrandir la collection d’application, pas seulement Baldock mais aussi Trojelsgaard par ex\nLire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson\nPrésenter le réseau Afrique du Sud dès l’intro des réseaux anglais de Baldock\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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.\n\nRédiger et modifier les cadres de simulations dans le papier pour qu’ils soient raccord avec les données obtenues.\nLancer clustering iid ascendant sur données sub-Doré.\nVérifier si les Baldock anglais ont des espèces en communs “Do they involve common species?”."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-14/2025-14.html#a-faire",
|
||
"href": "suivi/2025-14/2025-14.html#a-faire",
|
||
"title": "Bilan semaine 14 2025 : 24-28 mars",
|
||
"section": "",
|
||
"text": "Relire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nAgrandir la collection d’application, pas seulement Baldock mais aussi Trojelsgaard par ex\nLire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson\nPrésenter le réseau Afrique du Sud dès l’intro des réseaux anglais de Baldock\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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.\n\nRédiger et modifier les cadres de simulations dans le papier pour qu’ils soient raccord avec les données obtenues.\nLancer clustering iid ascendant sur données sub-Doré.\nVérifier si les Baldock anglais ont des espèces en communs “Do they involve common species?”."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-14/2025-14.html#jai-fait",
|
||
"href": "suivi/2025-14/2025-14.html#jai-fait",
|
||
"title": "Bilan semaine 14 2025 : 24-28 mars",
|
||
"section": "J’ai fait",
|
||
"text": "J’ai fait\n\nCorriger structure de simus :\n\nPour NA robustness\n\nDéfinir dans la section 3 :\n\n\nRemark that for iid-colBiSBM, \\pi_q, \\rho_r > 0, and thus the blocks exist and are represented in all networks. For the other models, some blocks may not exist in some networks and this is why \\pi_q^m, \\rho_r^m \\geq 0. Using S^{(1)} and S^{(2)} we can define the restricted parameters for each network and we denote them as \\widetilde{\\bm{\\pi}}^m, \\widetilde{\\bm{\\rho}}^m and \\widetilde{\\bm{\\alpha}}^m. The restrictions thus indicate the blocks that are represented in the network m.\n\n\nÉcrire la partie preuve pour identif \\pi-colBiSBM et \\rho-colBiSBM. Identif : \\pi et \\rho en attente retours Pierre et Sophie\nSaint-Clair va passer colSBM sous GrossSBM\nAgrandir la collection d’application, pas seulement Baldock mais aussi Trojelsgaard par ex : Collection agrandie avec Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson, en attente MIGALE. Clustering instable"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-14/2025-14.html#a-continuer",
|
||
"href": "suivi/2025-14/2025-14.html#a-continuer",
|
||
"title": "Bilan semaine 14 2025 : 24-28 mars",
|
||
"section": "A continuer",
|
||
"text": "A continuer\n\nRésultats 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.\nPour sub doré en attente MIGALE augmenter le nbre de répèt de la procédure."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-28/2025-28.html",
|
||
"href": "suivi/2025-28/2025-28.html",
|
||
"title": "Bilan semaine 28 2025 : 07 juillet - 11 juillet",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\nS’assurer que ça marche et relancer\n\nCreuser et explorer avec easy16s !\n⌛ Calcul du score F1Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant\nAjouter au tableau comparatif sep BiSBM\nRegarder les codes Mangal database pour \\delta\n✅ Formules ci-dessous. Voir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nAttente retour Pierre pour faire d’autres clustering\n✅ Implémenter décodeur Generalized Random Dot Product.\n✅ Réimplémentation propre et évolutive du DeepBVGAE (suivi des guidelines PyTorch Geometric)\nVérifier si il n’y a pas de data leakage (ie je prends aussi les données de val et de test pour prédire ?)\nDé-bugger les simulations :\n\n✅ 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.\n\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\n🛑D’abord je lis la biblio dessus Regarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-28/2025-28.html#todo-list",
|
||
"href": "suivi/2025-28/2025-28.html#todo-list",
|
||
"title": "Bilan semaine 28 2025 : 07 juillet - 11 juillet",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\nS’assurer que ça marche et relancer\n\nCreuser et explorer avec easy16s !\n⌛ Calcul du score F1Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant\nAjouter au tableau comparatif sep BiSBM\nRegarder les codes Mangal database pour \\delta\n✅ Formules ci-dessous. Voir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nAttente retour Pierre pour faire d’autres clustering\n✅ Implémenter décodeur Generalized Random Dot Product.\n✅ Réimplémentation propre et évolutive du DeepBVGAE (suivi des guidelines PyTorch Geometric)\nVérifier si il n’y a pas de data leakage (ie je prends aussi les données de val et de test pour prédire ?)\nDé-bugger les simulations :\n\n✅ 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.\n\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\n🛑D’abord je lis la biblio dessus Regarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-28/2025-28.html#biblio-à-faire",
|
||
"href": "suivi/2025-28/2025-28.html#biblio-à-faire",
|
||
"title": "Bilan semaine 28 2025 : 07 juillet - 11 juillet",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite.\nHDR VB, chapitre de modèle à blocs latents, bcp travaillé sur bipartite OT, comparaison clustering, adaption ARI, Largest Gap"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-28/2025-28.html#lectures-en-cours",
|
||
"href": "suivi/2025-28/2025-28.html#lectures-en-cours",
|
||
"title": "Bilan semaine 28 2025 : 07 juillet - 11 juillet",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n✅ Brault, Channarond, et Robert (s. d.) petit résumé de l’algo de Brault et Channarond (2023)\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-28/2025-28.html#a-discuter",
|
||
"href": "suivi/2025-28/2025-28.html#a-discuter",
|
||
"title": "Bilan semaine 28 2025 : 07 juillet - 11 juillet",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\nCongés P&S\n\n\nThèse\n\nFaire préz CSI\nFaire rapport CSI\n\n\n\nInterprétation écologiques résultats de Baldock\n\n⌛ Point avec Elisa, oui on relance\n\n\n\nInférence\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-15/2025-15.html",
|
||
"href": "suivi/2025-15/2025-15.html",
|
||
"title": "Bilan semaine 15 2025 : 31 mars-4 avril",
|
||
"section": "",
|
||
"text": "Relire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nLire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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.\n\nExtraire les nombres de liens communs et déplacer le tableau en annexes en faisant juste un paragraphe dans le corps de texte.\n\nPour VENDREDI\n\nRédiger et modifier les cadres de simulations dans le papier pour qu’ils soient raccord avec les données obtenues.\nÉtoffer la partie simulations studies en mettant plusieurs points pour présenter les simus et les résultats succintement.\n\n\nje pense qu’il faudrait étoffer en mettrant plusieurs points répartis en paragraphe. genre vérif selection de modèle verif clustering réseau, verif transfer leraning et de dire les résultats en qq mots\n\n\nIdée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-15/2025-15.html#a-faire",
|
||
"href": "suivi/2025-15/2025-15.html#a-faire",
|
||
"title": "Bilan semaine 15 2025 : 31 mars-4 avril",
|
||
"section": "",
|
||
"text": "Relire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nLire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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.\n\nExtraire les nombres de liens communs et déplacer le tableau en annexes en faisant juste un paragraphe dans le corps de texte.\n\nPour VENDREDI\n\nRédiger et modifier les cadres de simulations dans le papier pour qu’ils soient raccord avec les données obtenues.\nÉtoffer la partie simulations studies en mettant plusieurs points pour présenter les simus et les résultats succintement.\n\n\nje pense qu’il faudrait étoffer en mettrant plusieurs points répartis en paragraphe. genre vérif selection de modèle verif clustering réseau, verif transfer leraning et de dire les résultats en qq mots\n\n\nIdée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-15/2025-15.html#jai-fait",
|
||
"href": "suivi/2025-15/2025-15.html#jai-fait",
|
||
"title": "Bilan semaine 15 2025 : 31 mars-4 avril",
|
||
"section": "J’ai fait",
|
||
"text": "J’ai fait\n\nClustering sub-doré pas de stabilité à la répétition malheureusement \nVérifier si les Baldock anglais ont des espèces en communs “Do they involve common species?”. Oui environ 70/250 soit plus de 20%.\nPrésenter le réseau Afrique du Sud dès l’intro des réseaux anglais de Baldock"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-15/2025-15.html#a-continuer",
|
||
"href": "suivi/2025-15/2025-15.html#a-continuer",
|
||
"title": "Bilan semaine 15 2025 : 31 mars-4 avril",
|
||
"section": "A continuer",
|
||
"text": "A continuer\n\nRésultats 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.\nJ’ai lancé le clustering iid ascendant sur données sub-Doré. en attente des résultats MIGALE"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-20/2025-20.html",
|
||
"href": "suivi/2025-20/2025-20.html",
|
||
"title": "Bilan semaine 20 2025 : 12 mai - 16 mai",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n\nRelâcher la pénalité pour les coupes pour proposer modèles.\n\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\nFaire le hclust avec diverses distances et voir si les coupes proposées diffèrent sensiblement\nSi plusieurs clustering possibles les tester et sélectionner le meilleur\nRé-ajuster les bonnes partitions.\n\nDonnées simulées tester diverses distances.\nDé-bugger les simulations :\n\nInférence : 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.\n\nVérifier si problème de version tidyverse pour vapply sur l’inférence.\nSi problème de parallélisation vient de pb de version future.callr le signaler à MIGALE.\n\n\n\n\nPRÉSENTATION JDS (LSD), durée introuvable, adapter en anglais les slides et voir avec PB et SD.\nQuel plan ?\nQuels résultats ? Baldock, Traveset … (sub-Doré)\nPas la peine de préciser l’algo de clustering\nIndiquer sur une slide le problème de support pour \\pi\\rho à faire s’il y a le temps.\nRésultats sur les réseaux Baldock, regarder le positionnement par bloc des espèces communes, regarder les probas d’appartenance aux blocs par espèces communes et par réseau.\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample\nSe renseigner techniques d’inférence de réseaux :\n\ncovariance (base corrélation et seuil)\nGraphicalLASSO\nCo-occurence\n\nLancer colSBM sur OTU\\times OTU\nCreuser TabNet de Christophe Regouby et les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-20/2025-20.html#top-priorité",
|
||
"href": "suivi/2025-20/2025-20.html#top-priorité",
|
||
"title": "Bilan semaine 20 2025 : 12 mai - 16 mai",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n\nRelâcher la pénalité pour les coupes pour proposer modèles.\n\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\nFaire le hclust avec diverses distances et voir si les coupes proposées diffèrent sensiblement\nSi plusieurs clustering possibles les tester et sélectionner le meilleur\nRé-ajuster les bonnes partitions.\n\nDonnées simulées tester diverses distances.\nDé-bugger les simulations :\n\nInférence : 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.\n\nVérifier si problème de version tidyverse pour vapply sur l’inférence.\nSi problème de parallélisation vient de pb de version future.callr le signaler à MIGALE.\n\n\n\n\nPRÉSENTATION JDS (LSD), durée introuvable, adapter en anglais les slides et voir avec PB et SD.\nQuel plan ?\nQuels résultats ? Baldock, Traveset … (sub-Doré)\nPas la peine de préciser l’algo de clustering\nIndiquer sur une slide le problème de support pour \\pi\\rho à faire s’il y a le temps.\nRésultats sur les réseaux Baldock, regarder le positionnement par bloc des espèces communes, regarder les probas d’appartenance aux blocs par espèces communes et par réseau.\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample\nSe renseigner techniques d’inférence de réseaux :\n\ncovariance (base corrélation et seuil)\nGraphicalLASSO\nCo-occurence\n\nLancer colSBM sur OTU\\times OTU\nCreuser TabNet de Christophe Regouby et les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-20/2025-20.html#a-discuter",
|
||
"href": "suivi/2025-20/2025-20.html#a-discuter",
|
||
"title": "Bilan semaine 20 2025 : 12 mai - 16 mai",
|
||
"section": "A discuter",
|
||
"text": "A discuter"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-20/2025-20.html#a-faire",
|
||
"href": "suivi/2025-20/2025-20.html#a-faire",
|
||
"title": "Bilan semaine 20 2025 : 12 mai - 16 mai",
|
||
"section": "A faire",
|
||
"text": "A faire\n\nInférence\n\nPapier pour comprendre données\n\nFaust et al.\nAbdill et al.\nBashan et al.\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS\n\n\n\nRédaction article\n\nRelire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nDire résultats nettement meilleurs et variabilités inférieures."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-20/2025-20.html#jai-fait",
|
||
"href": "suivi/2025-20/2025-20.html#jai-fait",
|
||
"title": "Bilan semaine 20 2025 : 12 mai - 16 mai",
|
||
"section": "J’ai fait",
|
||
"text": "J’ai fait\n\nDé-bugger les simulations :\n\nClustering : 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. -> BUG, dois creuser mais juste des problèmes techniques. Le bug venait probablement d’une inadéquation entre la version de future et future.callr, les résultats temporaires sont encourageants. J’ai mis les résultats dans l’article.\n\n\n\nPrésentations LSD, JdS et ML@Aussois\n\nPRÉSENTATION JDS (LSD), durée introuvable, adapter en anglais les slides et voir avec PB et SD.\nQuel plan ?\nQuels résultats ? Baldock, Traveset … (sub-Doré)\nMettre le détails des formules et des algos pour VE et sélection de modèle en annexe.\nPréciser simplement que l’on utilise un algo VE et un critère type BIC.\n\n\n\nVGAE\n\nDé-bugger pourquoi BipartiteInnerProductDecoder.forward() -> NaN -> C’était parce que les features en entrée n’était pas normalisée par les couches de convolutions. Les meilleurs résultats d’AUC et de précisions que j’obtiens par VGAE sont autour de 0.80.\n\n\n\nInférence et microbes\n\nHuman Gut Compendium télécharger et préparé les données. Mises au format edgelist et liste de matrices et extrait les infos supplémentaires. → trop lourd en RAM pour tourner sur machine perso (optim colSBM…) ## A continuer\n\n\n\nApplications\n\nIdée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation\n\n\nSophie 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 !\n\n\n\nAxe inférence\n\nLire biblio fournie Julie, Inférence de réseaux : co-occurence\n\n\nJ’ai lu Faust et al. Je lis Abdill et al."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-20/2025-20.html#repoussés-ou-abandonnés",
|
||
"href": "suivi/2025-20/2025-20.html#repoussés-ou-abandonnés",
|
||
"title": "Bilan semaine 20 2025 : 12 mai - 16 mai",
|
||
"section": "Repoussés ou abandonnés",
|
||
"text": "Repoussés ou abandonnés\n\n\n\n\n\n\nDéplier pour voir\n\n\n\n\n\n\nRésultats 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.\n\n\nJe n’arrive pas à comprendre les erreurs qui arrivent\n\n\nLire Biological Networks - François Képès\nRegarder les applications pour les collections de réseaux recommender system Pas pertinents et trop gros\n\n\n\n\nListing 1: Recommender systems data\n\n\nPar exemple :\n\nListe de recommendation data\n\n\n\n\n\nPapier plus multi-applications\n\nDonnées d’Elisa herbivore ?\nDonnées urbanisations ?\n\n\n\nAutour de l’article et du package\n\nCréer 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.\n\n\n\nSimulations article\n\nComparer sur clustering unipartite avec versions symétriser des par blocs des matrices d’adjacences.\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-25/2025-25.html",
|
||
"href": "suivi/2025-25/2025-25.html",
|
||
"title": "Bilan semaine 25 2025 : 16 juin - 20 juin",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n✅ Si plusieurs clustering possibles les tester et sélectionner le meilleur\n✅ Ré-ajuster les bonnes partitions.\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n\n✅ Oui c’est bien le cas Clustering descendant & ascendant : vérifier qu’au cours du temps le BICL_{asc} \\geq BICL_{desc}\nCreuser et explorer avec easy16s !\n✅ Comparer les perfs du VAE sur Baldock avec colBiSBM par exemple\n\n\n\nAUC values for colBiSBM and VGAE models across cities\n\n\n\n\n\n\n\nAUC\n\n\n\n\n\nCity\n\n\ncolBiSBM\n\n\nUntuned VGAE\n\n\n\n\n\n\nBristol\n\n\n0.798\n\n\n0.755\n\n\n\n\nEdinburgh\n\n\n0.836\n\n\n0.774\n\n\n\n\nLeeds\n\n\n0.854\n\n\n0.760\n\n\n\n\nReading\n\n\n0.867\n\n\n0.740\n\n\n\n\n\nDé-bugger les simulations :\n\n⌛ 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.\n\n✅ Non ça n’a pas l’air d’être ça. Vérifier si problème de version tidyverse pour vapply sur l’inférence.\n⌛Bon le bug ne se reproduit plus… les jobs sont juste trop longs (> 120h) j’ai relancé, il ne reste que 182/972 conditions.\n\n\n✅ Il suffisait de faire la màj soit même… Si problème de parallélisation vient de pb de version future.callr le signaler à MIGALE.\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nCreuser TabNet de Christophe Regouby et les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nDemander à JA si elle connaît des réseaux d’interactions connus par les experts (idée d’intégrer une connaissance experte et de voir les différences de structure par rapport à celle attendue)\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-25/2025-25.html#todo-list",
|
||
"href": "suivi/2025-25/2025-25.html#todo-list",
|
||
"title": "Bilan semaine 25 2025 : 16 juin - 20 juin",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n✅ Si plusieurs clustering possibles les tester et sélectionner le meilleur\n✅ Ré-ajuster les bonnes partitions.\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n\n✅ Oui c’est bien le cas Clustering descendant & ascendant : vérifier qu’au cours du temps le BICL_{asc} \\geq BICL_{desc}\nCreuser et explorer avec easy16s !\n✅ Comparer les perfs du VAE sur Baldock avec colBiSBM par exemple\n\n\n\nAUC values for colBiSBM and VGAE models across cities\n\n\n\n\n\n\n\nAUC\n\n\n\n\n\nCity\n\n\ncolBiSBM\n\n\nUntuned VGAE\n\n\n\n\n\n\nBristol\n\n\n0.798\n\n\n0.755\n\n\n\n\nEdinburgh\n\n\n0.836\n\n\n0.774\n\n\n\n\nLeeds\n\n\n0.854\n\n\n0.760\n\n\n\n\nReading\n\n\n0.867\n\n\n0.740\n\n\n\n\n\nDé-bugger les simulations :\n\n⌛ 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.\n\n✅ Non ça n’a pas l’air d’être ça. Vérifier si problème de version tidyverse pour vapply sur l’inférence.\n⌛Bon le bug ne se reproduit plus… les jobs sont juste trop longs (> 120h) j’ai relancé, il ne reste que 182/972 conditions.\n\n\n✅ Il suffisait de faire la màj soit même… Si problème de parallélisation vient de pb de version future.callr le signaler à MIGALE.\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nCreuser TabNet de Christophe Regouby et les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nDemander à JA si elle connaît des réseaux d’interactions connus par les experts (idée d’intégrer une connaissance experte et de voir les différences de structure par rapport à celle attendue)\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-25/2025-25.html#lecture-en-cours",
|
||
"href": "suivi/2025-25/2025-25.html#lecture-en-cours",
|
||
"title": "Bilan semaine 25 2025 : 16 juin - 20 juin",
|
||
"section": "Lecture en cours",
|
||
"text": "Lecture en cours\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n✅ Matchado et al. (2021) ➡️ Nos données étant compositionnelles il faut utiliser:\n\nCCLasso et SparCC\nHARMONIES pour zéro inflation (Binomiale négative), COZINE centered log ratio transformation compositionnalité, zéro inflation et forte précision\nMixMPLN pour générer K réseaux issus de K Poisson log Normal\nmLDM peut enlever les arêtes indirectes.\n\nNetComi agrège plusieurs méthodes tout en permettant l’analyse différentielle !\n\nSi pas compositionnelles :\n\nMeta-Network pour arêtes indirectes et non linéaires\nEnvironmentally-Driven Edge detection pour corriger les effets de l’environnement"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-25/2025-25.html#a-discuter",
|
||
"href": "suivi/2025-25/2025-25.html#a-discuter",
|
||
"title": "Bilan semaine 25 2025 : 16 juin - 20 juin",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\nInférence\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-9/2026-9.html",
|
||
"href": "suivi/2026-9/2026-9.html",
|
||
"title": "Bilan semaine 9 2026 : 23 février - 27 février",
|
||
"section": "",
|
||
"text": "Petites opérations sur les OTUs (regarder la matrice dans les yeux):\n\nRanger les OTUs par variances (i.e. sd(OTU_j))\n\nHMC sur-dispersés (au-dessus bissectrice)\nEnterotype phyloseq sous-disp\n\nRegarder la proportion de 1. taxon rares, 2. zeros.\nFaire des coupures selon niveaux taxonomiques et regarder si \\mathbb{V}_{\\text{intra}} \\approx \\mathbb{V}_{\\text{inter}}\nBonus: faire ça dans qmd et voir si forge permet gitlab pages\n\n✅ Avec blockmodels, codé un LBM-Séquentiel. Des différences contrastées…\n\nLien vers l’application du LBM séquentiel sur les données de Chaillou\n\nRelire Peixoto (2014)\n\nRegarder les gens qui citent les travaux de Peixoto\nUtiliser graphtools en initialisant la recherche Nested avec le partitionnement donné par l’arbre phylogénétique.\n\n⌛ En cours Implémentation blockmodels LBM avec covariables sur proportions (voir ?@eq-modele-covar-prop)\n\n\n\n\n\n\n\nIdées\n\n\n\n\nTrouver 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 ?\n⌛ 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 ?\n\n⌛ Simulations avec n_2 croissant lancée sur Migale\nRéimplementé 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.\n\n\n\n\n\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\n👶 (délégué à Mona) Clustering sur Doré :\n\nAjouter Chao1 et 2, colonne par colonne (site par site), et faire indice moyen et la variance.\n\n\n\n\n\n⌛ (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.\n\n😄 Avantage s’inscrit directement dans blockmodels et permet d’avoir toutes les lois d’émissions déjà codées et compatibles !\n😢 Besoin de réfléchir a une bonne implémentation.\n\n\nJ’ai codé l’optimisation et les transferts mais il faut que je vérifie que tout fonctionne\n\n✅ Appliqué multipartite sur \\forall i, OTU_i \\times Sample: \n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\n🆕 SparCC à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-9/2026-9.html#todo-list",
|
||
"href": "suivi/2026-9/2026-9.html#todo-list",
|
||
"title": "Bilan semaine 9 2026 : 23 février - 27 février",
|
||
"section": "",
|
||
"text": "Petites opérations sur les OTUs (regarder la matrice dans les yeux):\n\nRanger les OTUs par variances (i.e. sd(OTU_j))\n\nHMC sur-dispersés (au-dessus bissectrice)\nEnterotype phyloseq sous-disp\n\nRegarder la proportion de 1. taxon rares, 2. zeros.\nFaire des coupures selon niveaux taxonomiques et regarder si \\mathbb{V}_{\\text{intra}} \\approx \\mathbb{V}_{\\text{inter}}\nBonus: faire ça dans qmd et voir si forge permet gitlab pages\n\n✅ Avec blockmodels, codé un LBM-Séquentiel. Des différences contrastées…\n\nLien vers l’application du LBM séquentiel sur les données de Chaillou\n\nRelire Peixoto (2014)\n\nRegarder les gens qui citent les travaux de Peixoto\nUtiliser graphtools en initialisant la recherche Nested avec le partitionnement donné par l’arbre phylogénétique.\n\n⌛ En cours Implémentation blockmodels LBM avec covariables sur proportions (voir ?@eq-modele-covar-prop)\n\n\n\n\n\n\n\nIdées\n\n\n\n\nTrouver 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 ?\n⌛ 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 ?\n\n⌛ Simulations avec n_2 croissant lancée sur Migale\nRéimplementé 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.\n\n\n\n\n\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\n👶 (délégué à Mona) Clustering sur Doré :\n\nAjouter Chao1 et 2, colonne par colonne (site par site), et faire indice moyen et la variance.\n\n\n\n\n\n⌛ (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.\n\n😄 Avantage s’inscrit directement dans blockmodels et permet d’avoir toutes les lois d’émissions déjà codées et compatibles !\n😢 Besoin de réfléchir a une bonne implémentation.\n\n\nJ’ai codé l’optimisation et les transferts mais il faut que je vérifie que tout fonctionne\n\n✅ Appliqué multipartite sur \\forall i, OTU_i \\times Sample: \n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\n🆕 SparCC à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-9/2026-9.html#a-discuter",
|
||
"href": "suivi/2026-9/2026-9.html#a-discuter",
|
||
"title": "Bilan semaine 9 2026 : 23 février - 27 février",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\n🆕 Voir pour des Réseaux / GDR ou aller\n🆕 Chercher des cours à suivre"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-9/2026-9.html#biblio-à-faire",
|
||
"href": "suivi/2026-9/2026-9.html#biblio-à-faire",
|
||
"title": "Bilan semaine 9 2026 : 23 février - 27 février",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-9/2026-9.html#lectures-en-cours",
|
||
"href": "suivi/2026-9/2026-9.html#lectures-en-cours",
|
||
"title": "Bilan semaine 9 2026 : 23 février - 27 février",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-38/2025-38.html",
|
||
"href": "suivi/2025-38/2025-38.html",
|
||
"title": "Bilan semaine 38 2025 : 15 septembre - 19 septembre",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ A Roscoff avec Julie et Pierre nous avons constaté que c’était l’extraction des dyades pour le calcul des métriques qui était incorrecte. Maintenant c’est corrigé et ça fonctionne ! En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\n⚠️ Discuter intersection simulations\nClustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\nVoir avec Mahendra à l’occasion du CSI\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-38/2025-38.html#todo-list",
|
||
"href": "suivi/2025-38/2025-38.html#todo-list",
|
||
"title": "Bilan semaine 38 2025 : 15 septembre - 19 septembre",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\n❓Je n’arrive plus à reproduire le bug pour l’inférence…\n😫 bug encore. S’assurer que ça marche et relancer\n\n⌛ A Roscoff avec Julie et Pierre nous avons constaté que c’était l’extraction des dyades pour le calcul des métriques qui était incorrecte. Maintenant c’est corrigé et ça fonctionne ! En fait je donne tous les degrés donc le GNN a juste à retrouver les arêtes non vues.Revérifier que j’entraîne correctement le VGAE car résultats de généralisation trop bons sur les autres réseaux Doré, ce qui est étonnant Pour corriger cet effet :\n\nDonner la matrice identité comme features\nCorriger les degrés calculés.\n\n⚠️ Discuter intersection simulations\nClustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\n\nRegarder les codes Mangal database pour \\delta\nVoir \\delta mais additif\n\n\n\n\n\n\n\n\\delta additif Bernoulli\n\n\n\nEn Bernoulli pas de forme analytique non plus : Pour \\alpha_{qr}: \\sum_{m=1}^M \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\alpha_{qr}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0 \\Leftrightarrow \\sum_m \\frac{e^m_{qr}}{\\alpha_{qr}} + \\frac{1}{\\alpha_{qr}+\\delta_m-1} (n^m_{qr}-e^m_{qr}) = 0\nEt pour \\delta_m: \\sum_{i=1}^{n_1^m} \\sum_{j=1}^{n_2^m} \\sum_{q=1}^{Q_1} \\sum_{r=1}^{Q_2} \\tau_{iq}^{1,m}\\tau_{jr}^{2,m}(\\frac{X_{ij}^m}{\\delta_{m}} + \\frac{(1-X_{ij}^m)}{\\alpha_{qr} + \\delta_m -1}) = 0\n\n\n\n\n\n\n\n\n\\delta additif Poisson\n\n\n\nForme analytique mais risque de confusion ? \\widehat{\\delta_m} = \\frac{\\sum_{q,r} e^m_{qr}}{\\sum_{q,r} n^m_{qr}},~\\widehat{\\alpha_{qr}} = \\frac{\\sum_{m} e^m_{qr}}{\\sum_{m} n^m_{qr}} \n\n\n\nRegarder la liste des cours du MathSV et de l’Université Paris-Saclay.\n⌛ Plutôt regarder pour introduire un modèle \\delta-colBiSBM.\n\nAjouter le produit par \\delta là où nécessaire\nAjouter les modèles \\delta, \\delta\\pi, \\dots et les blocs conditionnels\nAjouter les tests unitaires adéquats et les vérifier\n\nRegarder Largest gap sur réseaux Doré\nEssayer clustering sur supinfo\nHomogénéiser notations dans les supplementaries\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\nVoir avec Mahendra à l’occasion du CSI\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-38/2025-38.html#biblio-à-faire",
|
||
"href": "suivi/2025-38/2025-38.html#biblio-à-faire",
|
||
"title": "Bilan semaine 38 2025 : 15 septembre - 19 septembre",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-38/2025-38.html#lectures-en-cours",
|
||
"href": "suivi/2025-38/2025-38.html#lectures-en-cours",
|
||
"title": "Bilan semaine 38 2025 : 15 septembre - 19 septembre",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-38/2025-38.html#a-discuter",
|
||
"href": "suivi/2025-38/2025-38.html#a-discuter",
|
||
"title": "Bilan semaine 38 2025 : 15 septembre - 19 septembre",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\nCongés P&S\n\n\nThèse\n\nFaire préz CSI\nFaire rapport CSI\n\n\n\nInférence\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-22/2025-22.html",
|
||
"href": "suivi/2025-22/2025-22.html",
|
||
"title": "Bilan semaine 22 2025 : 26 mai - 30 mai",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\nFaire le hclust avec diverses distances et voir si les coupes proposées diffèrent sensiblement\nSi plusieurs clustering possibles les tester et sélectionner le meilleur\nRé-ajuster les bonnes partitions.\n\nIdée de Sophie : alterner descendant et ascendant → prometteur aussi\nPour les deux propositions données simulées tester diverses distances.\nDé-bugger les simulations :\n\nInférence : 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.\n\nVérifier si problème de version tidyverse pour vapply sur l’inférence.\nSi problème de parallélisation vient de pb de version future.callr le signaler à MIGALE.\n\n\n\n\nAttente retours Pierre\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\nComparer les perfs du VAE sur Baldock avec colBiSBM par exemple\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nSe renseigner techniques d’inférence de réseaux :\n\ncovariance (base corrélation et seuil)\nGraphicalLASSO\nCo-occurence\n\nLancer colSBM sur OTU\\times OTU\nCreuser TabNet de Christophe Regouby et les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nDemander à JA si elle connaît des réseaux d’interactions connus par les experts (idée d’intégrer une connaissance experte et de voir les différences de structure par rapport à celle attendue)\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-22/2025-22.html#top-priorité",
|
||
"href": "suivi/2025-22/2025-22.html#top-priorité",
|
||
"title": "Bilan semaine 22 2025 : 26 mai - 30 mai",
|
||
"section": "",
|
||
"text": "Pour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\nFaire le hclust avec diverses distances et voir si les coupes proposées diffèrent sensiblement\nSi plusieurs clustering possibles les tester et sélectionner le meilleur\nRé-ajuster les bonnes partitions.\n\nIdée de Sophie : alterner descendant et ascendant → prometteur aussi\nPour les deux propositions données simulées tester diverses distances.\nDé-bugger les simulations :\n\nInférence : 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.\n\nVérifier si problème de version tidyverse pour vapply sur l’inférence.\nSi problème de parallélisation vient de pb de version future.callr le signaler à MIGALE.\n\n\n\n\nAttente retours Pierre\n\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\nComparer les perfs du VAE sur Baldock avec colBiSBM par exemple\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nSe renseigner techniques d’inférence de réseaux :\n\ncovariance (base corrélation et seuil)\nGraphicalLASSO\nCo-occurence\n\nLancer colSBM sur OTU\\times OTU\nCreuser TabNet de Christophe Regouby et les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nDemander à JA si elle connaît des réseaux d’interactions connus par les experts (idée d’intégrer une connaissance experte et de voir les différences de structure par rapport à celle attendue)\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-22/2025-22.html#a-discuter",
|
||
"href": "suivi/2025-22/2025-22.html#a-discuter",
|
||
"title": "Bilan semaine 22 2025 : 26 mai - 30 mai",
|
||
"section": "A discuter",
|
||
"text": "A discuter"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-22/2025-22.html#a-faire",
|
||
"href": "suivi/2025-22/2025-22.html#a-faire",
|
||
"title": "Bilan semaine 22 2025 : 26 mai - 30 mai",
|
||
"section": "A faire",
|
||
"text": "A faire\n\nInférence\n\nPapier pour comprendre données\n\nFaust et al.\nAbdill et al.\nBashan et al.\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS\n\n\n\nRédaction article\n\nRelire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nDire résultats nettement meilleurs et variabilités inférieures."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-22/2025-22.html#a-continuer",
|
||
"href": "suivi/2025-22/2025-22.html#a-continuer",
|
||
"title": "Bilan semaine 22 2025 : 26 mai - 30 mai",
|
||
"section": "A continuer",
|
||
"text": "A continuer\n\nApplications\n\nIdée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation\n\n\nSophie 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 !\n\n\n\nAxe inférence\n\nLire biblio fournie Julie, Inférence de réseaux : co-occurence\n\n\nJ’ai lu Faust et al. Je lis Abdill et al."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-22/2025-22.html#repoussés-ou-abandonnés",
|
||
"href": "suivi/2025-22/2025-22.html#repoussés-ou-abandonnés",
|
||
"title": "Bilan semaine 22 2025 : 26 mai - 30 mai",
|
||
"section": "Repoussés ou abandonnés",
|
||
"text": "Repoussés ou abandonnés\n\n\n\n\n\n\nDéplier pour voir\n\n\n\n\n\n\nRésultats 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.\n\n\nJe n’arrive pas à comprendre les erreurs qui arrivent\n\n\nLire Biological Networks - François Képès\nRegarder les applications pour les collections de réseaux recommender system Pas pertinents et trop gros\n\n\n\n\nListing 1: Recommender systems data\n\n\nPar exemple :\n\nListe de recommendation data\n\n\n\n\n\nPapier plus multi-applications\n\nDonnées d’Elisa herbivore ?\nDonnées urbanisations ?\n\n\n\nAutour de l’article et du package\n\nCréer 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.\n\n\n\nSimulations article\n\nComparer sur clustering unipartite avec versions symétriser des par blocs des matrices d’adjacences.\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-24/2025-24.html",
|
||
"href": "suivi/2025-24/2025-24.html",
|
||
"title": "Bilan semaine 24 2025 : 10 juin - 13 juin",
|
||
"section": "",
|
||
"text": "✅ Préparer la séance intro à Git pour le 13 juin. La séance s’est très bien passée\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\nFaire le hclust avec diverses distances et voir si les coupes proposées diffèrent sensiblement\nSi plusieurs clustering possibles les tester et sélectionner le meilleur\nRé-ajuster les bonnes partitions.\n✅ C’est bon j’ai une fonction qui tourne, mais lentement ⌛\n⏳Simulations en train de tourner\n❗L’approche que j’ai en mettant la pénalité à 0 peut favoriser de séparer trop les réseaux et donc il faudrait refusionner. ➡️ mais le d&a ne fonctionne qu’en iid\n\n✅ Idée de Sophie : alterner descendant et ascendant → prometteur aussi. J’ai codé le fichier de simulations et débugguer le vecteur de clustering ▶️ à voir les performances. ➡️ la simu à 9 réseaux (bcp de variabilité a priori) est lancée attente résultats ➡️ Je tombe sur un bug déjà rencontré dans les simus d’inférence. j’ai lancé sans parallélisation pour essayer de comprendre le bug.\n\n✅ Il y avait un bug dans la fenêtre glissant où la condition d’arrêt quand le BICL n’augmentait plus était mal détectée. Corrigé\n\n\n\n9 réseaux - ARI pour le clustering avec modèles iid, procédure descendante et descendante&ascendante\n\n\n\n\n\n\n\n\n30 réseaux - ARI pour le clustering avec modèles iid, procédure descendante et descendante&ascendante\n\n\n\n\n\n\n\n30 réseaux - # collections à la fin du clustering. La vraie valeur 3 est en rouge pointillés\n\n\n\n\n\n\nPour les deux propositions données simulées tester diverses distances.\nDé-bugger les simulations :\n\nInférence : 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.\n\nVérifier si problème de version tidyverse pour vapply sur l’inférence.\nSi problème de parallélisation vient de pb de version future.callr le signaler à MIGALE.\n✅ Réparé mauvais placement des légendes, des valeurs etc.\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\nComparer les perfs du VAE sur Baldock avec colBiSBM par exemple\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nSe renseigner techniques d’inférence de réseaux :\n\ncovariance (base corrélation et seuil)\nGraphicalLASSO\nCo-occurence\n\nLancer colSBM sur OTU\\times OTU\nCreuser TabNet de Christophe Regouby et les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nDemander à JA si elle connaît des réseaux d’interactions connus par les experts (idée d’intégrer une connaissance experte et de voir les différences de structure par rapport à celle attendue)\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-24/2025-24.html#todo-list",
|
||
"href": "suivi/2025-24/2025-24.html#todo-list",
|
||
"title": "Bilan semaine 24 2025 : 10 juin - 13 juin",
|
||
"section": "",
|
||
"text": "✅ Préparer la séance intro à Git pour le 13 juin. La séance s’est très bien passée\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n\nFaire le hclust avec diverses distances et voir si les coupes proposées diffèrent sensiblement\nSi plusieurs clustering possibles les tester et sélectionner le meilleur\nRé-ajuster les bonnes partitions.\n✅ C’est bon j’ai une fonction qui tourne, mais lentement ⌛\n⏳Simulations en train de tourner\n❗L’approche que j’ai en mettant la pénalité à 0 peut favoriser de séparer trop les réseaux et donc il faudrait refusionner. ➡️ mais le d&a ne fonctionne qu’en iid\n\n✅ Idée de Sophie : alterner descendant et ascendant → prometteur aussi. J’ai codé le fichier de simulations et débugguer le vecteur de clustering ▶️ à voir les performances. ➡️ la simu à 9 réseaux (bcp de variabilité a priori) est lancée attente résultats ➡️ Je tombe sur un bug déjà rencontré dans les simus d’inférence. j’ai lancé sans parallélisation pour essayer de comprendre le bug.\n\n✅ Il y avait un bug dans la fenêtre glissant où la condition d’arrêt quand le BICL n’augmentait plus était mal détectée. Corrigé\n\n\n\n9 réseaux - ARI pour le clustering avec modèles iid, procédure descendante et descendante&ascendante\n\n\n\n\n\n\n\n\n30 réseaux - ARI pour le clustering avec modèles iid, procédure descendante et descendante&ascendante\n\n\n\n\n\n\n\n30 réseaux - # collections à la fin du clustering. La vraie valeur 3 est en rouge pointillés\n\n\n\n\n\n\nPour les deux propositions données simulées tester diverses distances.\nDé-bugger les simulations :\n\nInférence : 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.\n\nVérifier si problème de version tidyverse pour vapply sur l’inférence.\nSi problème de parallélisation vient de pb de version future.callr le signaler à MIGALE.\n✅ Réparé mauvais placement des légendes, des valeurs etc.\n\n\n\n\nKmeans sur la densité des réseaux subdoré pour pré-partitionner et clusteriser. Car densités déséquilibrées.\n\n\n\n\n\nFaire GNN-VAE Doré et sub-Doré avec kmeans et clustering sur l’espace latent J’ai commencé à regarder un peu\n\n\n\nReference 1\n\n\n\n\nComparer les perfs du VAE sur Baldock avec colBiSBM par exemple\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nSe renseigner techniques d’inférence de réseaux :\n\ncovariance (base corrélation et seuil)\nGraphicalLASSO\nCo-occurence\n\nLancer colSBM sur OTU\\times OTU\nCreuser TabNet de Christophe Regouby et les exercices\nRegarder SPARTA Rennes\nLire Papiers compositional data (Aitchison et al. intro)\nLire article multi-niveaux Saint-Clair\nDemander à JA si elle connaît des réseaux d’interactions connus par les experts (idée d’intégrer une connaissance experte et de voir les différences de structure par rapport à celle attendue)\nEcrire et étudier les modèles pour différents niveaux taxonomiques. \\begin{align*}\ni \\rightarrow &~N^1_i \\subseteq N^2_i \\subseteq N^3_i & \\text{Taxonomie}\\\\\nZ^0_i \\overset{?}{=} & Z^1_i \\overset{?}{=} Z^2_i \\overset{?}{=} Z^3_i & \\text{Groupes fonctionnels}\n\\end{align*}"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-24/2025-24.html#lecture-en-cours",
|
||
"href": "suivi/2025-24/2025-24.html#lecture-en-cours",
|
||
"title": "Bilan semaine 24 2025 : 10 juin - 13 juin",
|
||
"section": "Lecture en cours",
|
||
"text": "Lecture en cours\n\nOT\n\nMazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes\n\nNenna (s. d.) Pour comprendre le problème d’OT régularisé pour l’entropie."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-24/2025-24.html#a-discuter",
|
||
"href": "suivi/2025-24/2025-24.html#a-discuter",
|
||
"title": "Bilan semaine 24 2025 : 10 juin - 13 juin",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\nInférence\n\nPapier pour comprendre données\n\nFaust et al.\nAbdill et al.\nBashan et al.\n\npbs : variance, bcp de zero, covariables, offset et taxonomie (Reseaux arretes differents niveaux : Genre, OTU …)\n\n\nCombine networks at different taxonomic levels\n\n\nInférence + GREMLINS\n\n\n\nRédaction article\n\nRelire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nDire résultats nettement meilleurs et variabilités inférieures."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-24/2025-24.html#a-continuer",
|
||
"href": "suivi/2025-24/2025-24.html#a-continuer",
|
||
"title": "Bilan semaine 24 2025 : 10 juin - 13 juin",
|
||
"section": "A continuer",
|
||
"text": "A continuer\n\nApplications\n\nIdée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation\n\n\nSophie 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 !\n\n\n\nAxe inférence\n\nLire biblio fournie Julie, Inférence de réseaux : co-occurence\n\n\nJ’ai lu Faust et al. Je lis Abdill et al."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-24/2025-24.html#repoussés-ou-abandonnés",
|
||
"href": "suivi/2025-24/2025-24.html#repoussés-ou-abandonnés",
|
||
"title": "Bilan semaine 24 2025 : 10 juin - 13 juin",
|
||
"section": "Repoussés ou abandonnés",
|
||
"text": "Repoussés ou abandonnés\n\n\n\n\n\n\nDéplier pour voir\n\n\n\n\n\n\nRésultats 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.\n\n\nJe n’arrive pas à comprendre les erreurs qui arrivent\n\n\nLire Biological Networks - François Képès\nRegarder les applications pour les collections de réseaux recommender system Pas pertinents et trop gros\n\n\n\n\nListing 1: Recommender systems data\n\n\nPar exemple :\n\nListe de recommendation data\n\n\n\n\n\nPapier plus multi-applications\n\nDonnées d’Elisa herbivore ?\nDonnées urbanisations ?\n\n\n\nAutour de l’article et du package\n\nCréer 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.\n\n\n\nSimulations article\n\nComparer sur clustering unipartite avec versions symétriser des par blocs des matrices d’adjacences.\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-16/2025-16.html",
|
||
"href": "suivi/2025-16/2025-16.html",
|
||
"title": "Bilan semaine 16 2025",
|
||
"section": "",
|
||
"text": "Relire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nLire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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.\n\nIdée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation\nIdée Pierre : Regarder la contribution au BICL de la collection des réseaux et comparer au sep BICL pour essayer de repérer les outliers."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-16/2025-16.html#a-faire",
|
||
"href": "suivi/2025-16/2025-16.html#a-faire",
|
||
"title": "Bilan semaine 16 2025",
|
||
"section": "",
|
||
"text": "Relire intro St Clair\nS’inspirer structure pour mon intro\nTrouver biblio intro\nRédiger l’intro\nLire les papiers de Baldock Traveset Souza Cordeniz Trojelsgaard et Gibson\nCorriger structure de simus :\n\nPour noisy \\alpha :\n\nLogit pour envoyer la gaussienne vers (0,1)\nBeta contrainte dans (0,1)\n\nPour 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.\n\nIdée Sophie: Regarder clustering de données plantes-pollinisateur selon gradient d’urbanisation\nIdée Pierre : Regarder la contribution au BICL de la collection des réseaux et comparer au sep BICL pour essayer de repérer les outliers."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-16/2025-16.html#jai-fait",
|
||
"href": "suivi/2025-16/2025-16.html#jai-fait",
|
||
"title": "Bilan semaine 16 2025",
|
||
"section": "J’ai fait",
|
||
"text": "J’ai fait\n\nJ’ai lancé le clustering iid ascendant sur données sub-Doré. Résultats stables mais 27 collections formées donc pas de mise en commun des structures…\nRédiger et modifier les cadres de simulations dans le papier pour qu’ils soient raccord avec les données obtenues.\nÉtoffer la partie simulations studies en mettant plusieurs points pour présenter les simus et les résultats succintement.\n\n\nje pense qu’il faudrait étoffer en mettrant plusieurs points répartis en paragraphe. genre vérif selection de modèle verif clustering réseau, verif transfer leraning et de dire les résultats en qq mots\n\n\nComment faire pour l’inscription JdS (paiement, coldem …) : voir avec Christelle\nCSI : St Clair, Sonia ou Elisa et Pierre Gérard"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-16/2025-16.html#a-continuer",
|
||
"href": "suivi/2025-16/2025-16.html#a-continuer",
|
||
"title": "Bilan semaine 16 2025",
|
||
"section": "A continuer",
|
||
"text": "A continuer\n\nRésultats 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.\nLire Biological Networks - François Képès\nJ’ai esquissé des bouts d’intro"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-45/2025-45.html",
|
||
"href": "suivi/2025-45/2025-45.html",
|
||
"title": "Bilan semaine 45 2025 : 03 novembre - 06 novembre",
|
||
"section": "",
|
||
"text": "Finir le papier :\n\n❓ Fait ? Re-structurer le plan, mon plan, Donnet et Barbillon, échelle méso et comparaison inter réseau et noeuds non partagés.\n✅ Partie Baldock: Ajouter l’ordre des modèles préférés et vérifier mais BICLsep < BICL pirho < BICL iid\n✅ Toutes les simus en annexe. Envoyer Info transfer en annexe et remplacer par Network partitioning\n\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\nFaire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n👶 (délégué à Mona) Clustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\nRegarder Largest gap sur réseaux Doré\n⌛ Essayer clustering sur supinfo\n\nCAH et Kmeans tendent vers faire K = 13 clusters sur les supinfos\nEnrichir avec des métriques sur les réseaux (nestedness, connectance autres ?)\nDemander à Elisa pour la signification des métadonnées\nDemander à Elisa une fois vu cohérences de groupe voir pour interprétation écologiques ?\nAlgo de clustering sur les groupes trouvés\n\n\n\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n✅ Papier Julie Negative Binomiale\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-45/2025-45.html#todo-list",
|
||
"href": "suivi/2025-45/2025-45.html#todo-list",
|
||
"title": "Bilan semaine 45 2025 : 03 novembre - 06 novembre",
|
||
"section": "",
|
||
"text": "Finir le papier :\n\n❓ Fait ? Re-structurer le plan, mon plan, Donnet et Barbillon, échelle méso et comparaison inter réseau et noeuds non partagés.\n✅ Partie Baldock: Ajouter l’ordre des modèles préférés et vérifier mais BICLsep < BICL pirho < BICL iid\n✅ Toutes les simus en annexe. Envoyer Info transfer en annexe et remplacer par Network partitioning\n\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\nFaire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nPour clustering de collections sur données réelles :\n→ L’intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs (Q_1,Q_2).\n👶 (délégué à Mona) Clustering sur Doré :\n\nRegarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)\n\n⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown\n\nClusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)\nSi M > 10, alors voir si je retrouve les mêmes résultats que dans les études.\nRegarder Largest gap sur réseaux Doré\n⌛ Essayer clustering sur supinfo\n\nCAH et Kmeans tendent vers faire K = 13 clusters sur les supinfos\nEnrichir avec des métriques sur les réseaux (nestedness, connectance autres ?)\nDemander à Elisa pour la signification des métadonnées\nDemander à Elisa une fois vu cohérences de groupe voir pour interprétation écologiques ?\nAlgo de clustering sur les groupes trouvés\n\n\n\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n✅ Papier Julie Negative Binomiale\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\neasy16s : se renseigner sur\n\n\\alpha, \\beta diversité\nHeatmap\n\nRegarder SPARTA Rennes\nEcrire et étudier les modèles pour différents niveaux taxonomiques.\n🆕 Regarder NetComi\n🆕 Regarder OneNet car aggrégation plus robuste\n🆕 Réfléchir sens d’aggréger les données ou de les diviser\n\n\n\n\n\nLancer colBiSBM sur OTU\\times Sample → problème du chargement en mémoire des données à voir\nLancer colSBM sur OTU\\times OTU\nTabNet pratiquer les exercices\n🆕 SparCC à différent niveaux\n🆕 SBM à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-45/2025-45.html#a-discuter",
|
||
"href": "suivi/2025-45/2025-45.html#a-discuter",
|
||
"title": "Bilan semaine 45 2025 : 03 novembre - 06 novembre",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\n🆕 Voir pour des Réseaux / GDR ou aller\n🆕 Chercher des cours à suivre"
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-45/2025-45.html#biblio-à-faire",
|
||
"href": "suivi/2025-45/2025-45.html#biblio-à-faire",
|
||
"title": "Bilan semaine 45 2025 : 03 novembre - 06 novembre",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2025-45/2025-45.html#lectures-en-cours",
|
||
"href": "suivi/2025-45/2025-45.html#lectures-en-cours",
|
||
"title": "Bilan semaine 45 2025 : 03 novembre - 06 novembre",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-8/2026-8.html",
|
||
"href": "suivi/2026-8/2026-8.html",
|
||
"title": "Bilan semaine 8 2026 : 16 février - 20 février",
|
||
"section": "",
|
||
"text": "Petites opérations sur les OTUs (regarder la matrice dans les yeux):\n\nRanger les OTUs par variances (i.e. sd(OTU_j))\n\nHMC sur-dispersés (au-dessus bissectrice)\nEnterotype phyloseq sous-disp\n\nRegarder la proportion de 1. taxon rares, 2. zeros.\nFaire des coupures selon niveaux taxonomiques et regarder si \\mathbb{V}_{\\text{intra}} \\approx \\mathbb{V}_{\\text{inter}}\nBonus: faire ça dans qmd et voir si forge permet gitlab pages\n\n✅ Avec blockmodels, codé un LBM-Séquentiel. Des différences contrastées…\n\nTODO Ajouter lien vers notebooks résultats\n\nRelire Peixoto (2014)\n\nRegarder les gens qui citent les travaux de Peixoto\n\n⌛ En cours Implémentation blockmodels LBM avec covariables sur proportions (voir ?@eq-modele-covar-prop)\n\n\n\n\n\n\n\nIdées\n\n\n\n\nTravailler sur Fungus Tree network\n✅ Demander à PB et SD, ils regardent : Comparaison covar prop avec GREMLINS multipartite sur (log(dist_phylo), fungus-tree)\nTrouver 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 ?\n⌛ 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 ?\n\n⌛ Simulations avec n_2 croissant lancée sur Migale\nRéimplementé 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.\n\n\n\n\n\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\n👶 (délégué à Mona) Clustering sur Doré :\n\nAjouter Chao1 et 2, colonne par colonne (site par site), et faire indice moyen et la variance.\n\n\n\n\n\n✅ En préparation d’un fichier (réu avec JBL à 10h45 le 06/02/2026). 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.\n\n😄 Avantage s’inscrit directement dans blockmodels et permet d’avoir toutes les lois d’émissions déjà codées et compatibles !\n😢 Besoin de réfléchir a une bonne implémentation.\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\n🆕 SparCC à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-8/2026-8.html#todo-list",
|
||
"href": "suivi/2026-8/2026-8.html#todo-list",
|
||
"title": "Bilan semaine 8 2026 : 16 février - 20 février",
|
||
"section": "",
|
||
"text": "Petites opérations sur les OTUs (regarder la matrice dans les yeux):\n\nRanger les OTUs par variances (i.e. sd(OTU_j))\n\nHMC sur-dispersés (au-dessus bissectrice)\nEnterotype phyloseq sous-disp\n\nRegarder la proportion de 1. taxon rares, 2. zeros.\nFaire des coupures selon niveaux taxonomiques et regarder si \\mathbb{V}_{\\text{intra}} \\approx \\mathbb{V}_{\\text{inter}}\nBonus: faire ça dans qmd et voir si forge permet gitlab pages\n\n✅ Avec blockmodels, codé un LBM-Séquentiel. Des différences contrastées…\n\nTODO Ajouter lien vers notebooks résultats\n\nRelire Peixoto (2014)\n\nRegarder les gens qui citent les travaux de Peixoto\n\n⌛ En cours Implémentation blockmodels LBM avec covariables sur proportions (voir ?@eq-modele-covar-prop)\n\n\n\n\n\n\n\nIdées\n\n\n\n\nTravailler sur Fungus Tree network\n✅ Demander à PB et SD, ils regardent : Comparaison covar prop avec GREMLINS multipartite sur (log(dist_phylo), fungus-tree)\nTrouver 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 ?\n⌛ 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 ?\n\n⌛ Simulations avec n_2 croissant lancée sur Migale\nRéimplementé 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.\n\n\n\n\n\nClustering unipartite j’ai cassé une fonction de distance à vérifier et réparer\nCodes pour le papier :\n\nNettoyer les scripts\nFaire un joli README\n❓Faire des notebooks\n\nRéussir à reproduire résultat de Abramov et al. (s. d.)\nMaitriser graphtools de Peixoto pour essayer d’utiliser l’arbre taxonomique sur graphe de cooccurence inférer par SparCC\nMaitriser SparCC\n👶 (délégué à Mona) Clustering sur Doré :\n\nAjouter Chao1 et 2, colonne par colonne (site par site), et faire indice moyen et la variance.\n\n\n\n\n\n✅ En préparation d’un fichier (réu avec JBL à 10h45 le 06/02/2026). 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.\n\n😄 Avantage s’inscrit directement dans blockmodels et permet d’avoir toutes les lois d’émissions déjà codées et compatibles !\n😢 Besoin de réfléchir a une bonne implémentation.\n\n\n\n\n\nLire article multi-niveaux Saint-Clair\n🆕 🔎 Trouver des papiers:\n\nLBM Negative Binomial\nNetwork inference through sample comparison\n\nIdée des groupes sur la base de distance phylogénétique:\n\nEn train de comprendre les distances que phyloseq permet de calculer sur notre exemple\nEn train de lire sur Principle coordinate analysis : https://openplantpathology.github.io/OPP_Workshop_Multivariate/2-MV_PCO.html\nParametric t-SNE pour avoir une unique représentation latente (inconvénient utilise du Deep Learning)\nLire Papier UniFrac\n\n\n\n\n\n\n🆕 SparCC à différent niveaux\n🆕⌛ Tree-PLN à différents niveaux\n\n\n\n\nPlus sur le temps long, à regarder\n\nGT causalité\nDaria Bystrova lire présentation Bystrova (s. d.) (Meek rules, V-structure)"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-8/2026-8.html#a-discuter",
|
||
"href": "suivi/2026-8/2026-8.html#a-discuter",
|
||
"title": "Bilan semaine 8 2026 : 16 février - 20 février",
|
||
"section": "A discuter",
|
||
"text": "A discuter\n\n🆕 Voir pour des Réseaux / GDR ou aller\n🆕 Chercher des cours à suivre"
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-8/2026-8.html#biblio-à-faire",
|
||
"href": "suivi/2026-8/2026-8.html#biblio-à-faire",
|
||
"title": "Bilan semaine 8 2026 : 16 février - 20 février",
|
||
"section": "Biblio à faire",
|
||
"text": "Biblio à faire\n\nRegarder Transport optimal graphes bipartite."
|
||
},
|
||
{
|
||
"objectID": "suivi/2026-8/2026-8.html#lectures-en-cours",
|
||
"href": "suivi/2026-8/2026-8.html#lectures-en-cours",
|
||
"title": "Bilan semaine 8 2026 : 16 février - 20 février",
|
||
"section": "Lectures en cours 📚",
|
||
"text": "Lectures en cours 📚\n\nHDR Vincent Brault\n\n⌛ 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\nChap 3\n\n\n\nOT\n\n⌛ Mazelet, Flamary, et Thirion (s. d.) Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.\n⌛ Nenna (s. d.b) Pour comprendre le problème d’OT régularisé pour l’entropie.\n⌛ Nenna (s. d.a)\n\n\n\nInférence de graphes\n\n⌛ Aitchison (1982), en cours\n❗📖 Payne et al. (2023) sur MixMPLN\n\n\n\nCausalité\n\n❗📖 Bystrova (s. d.)\n\n\n\nLargest Gaps\n\n❗📖 Brault et Channarond (2023)\n❗📖 Channarond, Daudin, et Robin (2012) le papier qui introduit le Largest Gaps"
|
||
}
|
||
] |