125 lines
No EOL
4.5 KiB
Text
125 lines
No EOL
4.5 KiB
Text
---
|
|
title: "Bilan semaine 44 2025 : 27 octobre - 31 octobre"
|
|
categories: [colBiSBM, inférence, GNN]
|
|
date: 2025 10 27
|
|
date-modified: last-modified
|
|
bibliography: references.bib
|
|
---
|
|
|
|
## TODO List
|
|
|
|
- Finir le papier :
|
|
- Re-structurer le plan, mon plan, Donnet et Barbillon, échelle méso et comparaison inter réseau et noeuds non partagés.
|
|
- Partie Baldock: Ajouter l'ordre des modèles préférés
|
|
- Envoyer Info transfer en annexe et remplacer par Network partitioning
|
|
|
|
- ✅ 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).
|
|
- ✅ 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
|
|
- Remplacer *Information tranfer on simu* par Network partitioning.
|
|
- ✅ Écrire le poster avec un titre aguicheur "Are my pollinators your pollinators: ...":
|
|
|
|
- Maitriser graphtools de Peixoto pour essayer d'utiliser l'arbre taxonomique sur graphe de cooccurence inférer par SparCC
|
|
|
|
- Maitriser SparCC
|
|
|
|
- Faire LBM sur niveau taxonomique grossier, initialiser avec le résultat pour un niveau plus fin et ainsi de suite.
|
|
|
|
- Clustering unipartite j'ai cassé une fonction de distance à vérifier et réparer
|
|
|
|
<!-- - Idée clustering unipartite graphes des métros
|
|
<div class="embed-container">
|
|
<iframe src="https://csun.uic.edu/wp-content/uploads/sites/1080/2023/12/pdf_7.pdf" width=100% height="475px" style="position: relative;">
|
|
</iframe>
|
|
</div> -->
|
|
|
|
- Pour clustering de collections sur données ~~réelles~~ :
|
|
→ L'intuition de Pierre semble être confirmé, les dissimilarités semblent arrêter de varier sensiblement pour de grandes valeurs $(Q_1,Q_2)$.
|
|
|
|
- 👶 (délégué à stagiaire) Clustering sur Doré :
|
|
- Regarder pour les couples date+nom les études et le nombre de réseaux analysables (Possible demander à Élisa)
|
|
- ⌛ Chamberlain et al semble intéressant à regarder ! Voir le Rmarkdown
|
|
- Clusteriser sur la base des noms et voir parmi les réseaux Européens (désagrégés ?)
|
|
- Si M > 10, alors voir si je retrouve les mêmes résultats que dans les études.
|
|
|
|
- Regarder *Largest gap* sur réseaux Doré
|
|
|
|
- Essayer *clustering* sur `supinfo`
|
|
|
|
- ✅ Homogénéiser notations dans les supplementaries
|
|
|
|
|
|
### Inférence et microbes
|
|
|
|
#### Bibliographie: à lire, à faire
|
|
|
|
- Lire article multi-niveaux Saint-Clair
|
|
- 🆕⌛ Papier Julie Negative Binomiale
|
|
- 🆕 🔎 Trouver des papiers:
|
|
- LBM Negative Binomial
|
|
- Network inference through sample comparison
|
|
|
|
#### Réflexion
|
|
|
|
- easy16s : se renseigner sur
|
|
- $\alpha$, $\beta$ diversité
|
|
- Heatmap
|
|
- Regarder **SPARTA** Rennes
|
|
- Ecrire et étudier les modèles pour différents niveaux taxonomiques.
|
|
- 🆕 Regarder NetComi
|
|
- 🆕 Regarder OneNet car aggrégation plus robuste
|
|
- 🆕 Réfléchir sens d'aggréger les données ou de les diviser
|
|
|
|
#### Écrire et faire tourner
|
|
|
|
- Lancer *colBiSBM* sur $OTU\times Sample$ → problème du chargement en mémoire des données à voir
|
|
- Lancer *colSBM* sur $OTU\times OTU$
|
|
- TabNet pratiquer les [exercices](https://github.com/cregouby/Tutoriel_torch)
|
|
- 🆕 SparCC à différent niveaux
|
|
- 🆕 SBM à différent niveaux
|
|
- 🆕⌛ Tree-PLN à différents niveaux
|
|
|
|
|
|
#### Causalité
|
|
|
|
Plus sur le temps long, à regarder
|
|
|
|
- GT causalité
|
|
- Daria Bystrova lire présentation @bystrovaCausalDiscovery (Meek rules, V-structure)
|
|
|
|
## A discuter
|
|
|
|
- 🆕 Voir pour des Réseaux / GDR ou aller
|
|
- 🆕 Chercher des cours à suivre
|
|
|
|
## Biblio à faire
|
|
|
|
- Regarder Transport optimal graphes bipartite.
|
|
|
|
|
|
## Lectures en cours 📚
|
|
|
|
### HDR Vincent Brault
|
|
|
|
- ⌛ Chap 2 : Creuser l'idée de maximiser l'énergie libre, très intéressant regarder le critère CARI et lire Robert et al 2021. Actuellement p32 du manuscrit
|
|
- Chap 3
|
|
|
|
### OT
|
|
- ⌛ @mazeletUnsupervisedLearningOptimal Intéressant pour le transport optimal entre graphes de tailles différentes | Regarder si regularization entropique ne marche pas bien pour le graphe.
|
|
- ⌛ @nennaLecture2Entropic Pour comprendre le problème d'OT régularisé pour l'entropie.
|
|
- ⌛ @nennaLecture1Monge
|
|
|
|
### Inférence de graphes
|
|
|
|
- ⌛ @aitchisonStatisticalAnalysisCompositional1982a, en cours
|
|
|
|
- ❗📖 @payneFiniteMixturesMultivariate2023 sur MixMPLN
|
|
|
|
### Causalité
|
|
|
|
- ❗📖 @bystrovaCausalDiscovery
|
|
|
|
### Largest Gaps
|
|
|
|
- ❗📖 @braultFastConsistentAlgorithm2023
|
|
- ❗📖 @channarondClassificationEstimationStochastic2012 le papier qui introduit le *Largest Gaps* |