awesome latex drawing

Superbe dessin LaTeX

Réalisé par Xinyu Chen • https://xinychen.github.io

Awesome-latex-drawing est une collection de plus de 30 exemples de dessins académiques pour l'utilisation de LaTeX, y compris les réseaux bayésiens, le traçage de fonctions, les modèles graphiques, la structure tensorielle et les cadres techniques.

Description

LaTeX est un système de composition de haute qualité disponible sous forme de logiciel libre, largement utilisé ces dernières années pour créer des graphiques académiques. Sa popularité vient de sa capacité à gérer des illustrations complexes avec des symboles spéciaux et des équations mathématiques, ce qui le rend idéal pour dessiner des graphiques détaillés dans le cadre de la recherche.

Ce projet présente plusieurs graphiques créés à l'aide de LaTeX, avec des exemples faciles à suivre sur Overleaf, une plateforme LaTeX en ligne populaire. Si vous êtes intéressé, n'hésitez pas à explorer et à reproduire nos exemples sur Overleaf sur overleaf.com.

Contenu

Tableau d'exemples

• Réseaux bayésiens
  • Réseau bayésien de factorisation bayésienne CP (BCPF)
  • Réseau bayésien de factorisation bayésienne gaussienne CP (BGCP)
  • Réseau bayésien de factorisation tensorielle bayésienne augmentée (BATF)
  • Réseau bayésien de factorisation matricielle temporelle bayésienne (BTMF)
  
  
• Modèles graphiques
  • Matrice et tenseur de séries chronologiques partiellement observés
  • Prédiction de séries temporelles matricielles et tensorielles en présence de valeurs manquantes
  • Graphiques non orientés et circulants sur les échantillons de données relationnelles avec certains degrés
  • Modélisation de séries chronologiques convolutives laplaciennes
  
  
• traçage de la fonction pgfplots
  • Fonctions PDF et CDF de la distribution Erlang
  • PDF de distribution normale avec différentes moyennes et variances
  • Fonctions PDF (conjointes) des distributions lognormales
  • Processus itératif de gradient conjugué pour résoudre un système d'équations linéaires
  • Modèles manquants aléatoires et non aléatoires
  • Fonctions sinus et cosinus
  • Mécanisme de prévision des séries chronologiques
  
  
• tikz pour la structure matricielle
  • Illustration graphique du problème de prévision de séries chronologiques multivariées
  • Illustration graphique de la factorisation matricielle temporelle
  • Illustration graphique de la prévision de séries chronologiques glissantes avec factorisation matricielle temporelle
  
  
• tikz-3dplot pour la structure tensorielle
  • Illustration graphique du tenseur (origine, destination, plage horaire)
  • Illustration graphique de la factorisation classique du tenseur CP sur un tenseur du troisième ordre
  • Illustration graphique du modèle de factorisation tensorielle augmentée (AuTF)
  • Illustration graphique de la tâche d'achèvement du tenseur et de son cadre
  • Illustration graphique du modèle d'achèvement du tenseur autorégressif de bas rang
  • Illustration graphique du processus de seuillage de valeurs singulières des données tensorielles avec transformation unitaire
  • Illustration graphique du modèle d'achèvement du tenseur de bas rang
  • Illustration graphique du modèle de régression tenseur de bas rang

Galerie

Vous recherchez de bons exemples de dessins LaTeX ? Voici plus de 30 graphiques montrant comment dessiner dans LaTaX.

Réseaux bayésiens

LaTeX fournit de puissants packages et outils spécifiques à un domaine, comme tikz pour permettre des modèles graphiques flexibles. Les réseaux bayésiens représentent une famille de modèles graphiques constitués de variables (généralement désignées par des nœuds) et de relations de dépendance (généralement désignées par des flèches). Heureusement, tikz dispose d'une bibliothèque spécifique pour dessiner des réseaux bayésiens et des graphiques à facteurs orientés.

Une autre boîte à outils en Python : https://docs.daft-pgm.org/en/latest/

Factorisation tensorielle bayésienne

[Exemple 1]

Cet exemple est tiré de l'article suivant :

• Qibin Zhao, Liqing Zhang, Andrzej Cichocki (2015). Factorisation bayésienne CP de tenseurs incomplets avec détermination automatique des rangs. Transactions IEEE sur l'analyse de modèles et l'intelligence artificielle, 37(9) : 1751-1763.

qui montre le modèle de réseau bayésien de factorisation bayésienne CP (BCPF). Pour dessiner cet exemple de réseau bayésien, il y a quelques préliminaires à suivre :

• codes preamble :
  1. définissez la documentclass comme standalone , par exemple documentclass[border = 0.1cm]{standalone} avec une bordure de 0,1 cm,
  2. utilisez le package tikz , c'est-à-dire usepackage{tikz} , et utilisez la bibliothèque tikz comme usetikzlibrary{bayesnet} qui est un outil important pour dessiner des réseaux bayésiens et des graphiques factoriels orientés,
  3. définissez le style tikz en utilisant la commande tikzstyle{} ,
  4. utilisez des environnements d'équations mathématiques, notamment usepackage{amsfonts, amsmath, amssymb} .
• codes body :
  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez node pour définir des nœuds et des zones de texte dans le réseau bayésien,
  3. utilisez path pour définir des flèches dans le réseau bayésien,
  4. utilisez plate pour définir les plaques dans le réseau bayésien.

Veuillez cliquer sur l'image et consulter le code source.

• Ouvrez BGCP.tex dans votre projet au verso, vous verrez alors les images suivantes sur le modèle BGCP (décomposition bayésienne gaussienne CP) en tant que réseau bayésien et graphe factoriel orienté :

[Exemple 2]

Cet exemple est tiré de l'article suivant :

Xinyu Chen, Zhaocheng He, Lijun Sun (2019). Une approche de décomposition tensorielle bayésienne pour l'imputation de données de trafic spatio-temporelles. Recherche sur les transports, partie C : Technologies émergentes, 98 : 73-84.

qui montre le réseau bayésien du modèle de factorisation bayésienne gaussienne CP (BGCP). Pour dessiner cet exemple de réseau bayésien, il y a quelques préliminaires à suivre :

• codes preamble :
  1. définissez la documentclass comme standalone , par exemple documentclass[border = 0.1cm]{standalone} avec une bordure de 0,1 cm,
  2. utilisez le package tikz , c'est-à-dire usepackage{tikz} , et utilisez la bibliothèque tikz comme usetikzlibrary{bayesnet} qui est un outil important pour dessiner des réseaux bayésiens et des graphiques à facteurs orientés,
  3. définissez le style tikz en utilisant la commande tikzstyle{} ,
  4. utilisez des environnements d'équations mathématiques, notamment usepackage{amsmath, amsfonts, amssymb} .
• codes body :
  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez node pour définir des nœuds et des zones de texte dans le réseau bayésien,
  3. utilisez path pour définir des flèches dans le réseau bayésien,
  4. utilisez plate pour définir les plaques dans le réseau bayésien.

Veuillez cliquer sur l'image et consulter le code source. Si vous êtes intéressé par le réseau bayésien original de BGCP dans le document, veuillez consulter BGCP.tex.

[Exemple 3]

Cet exemple est tiré de l'article suivant :

Xinyu Chen, Zhaocheng He, Yixian Chen, Yuhuan Lu, Jiawei Wang (2019). Imputation des données de trafic manquantes et découverte de modèles avec un modèle de factorisation tenseur augmenté bayésien. Recherche sur les transports, partie C : technologies émergentes, 104 : 66-77.

qui montre le réseau bayésien du modèle de factorisation tensorielle augmentée bayésienne (BATF). Pour dessiner cet exemple de réseau bayésien, il y a quelques préliminaires à suivre :

• codes preamble :
  1. définissez la documentclass comme standalone , par exemple documentclass[border = 0.1cm]{standalone} avec une bordure de 0,1 cm,
  2. utilisez le package tikz , c'est-à-dire usepackage{tikz} , et utilisez la bibliothèque tikz comme usetikzlibrary{bayesnet} qui est un outil important pour dessiner des réseaux bayésiens et des graphiques à facteurs orientés,
  3. définissez le style tikz en utilisant la commande tikzstyle{} ,
  4. utilisez des environnements d'équations mathématiques, notamment usepackage{amsmath, amsfonts, amssymb} .
• codes body :
  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez node pour définir des nœuds et des zones de texte dans le réseau bayésien,
  3. utilisez path pour définir des flèches dans le réseau bayésien,
  4. utilisez plate pour définir les plaques dans le réseau bayésien.

Veuillez cliquer sur l'image et consulter le code source.

[Exemple 4]

Cet exemple est tiré de l'article suivant :

Xinyu Chen, Lijun Sun (2021). Factorisation temporelle bayésienne pour la prédiction de séries chronologiques multidimensionnelles. Transactions IEEE sur l'analyse de modèles et l'intelligence artificielle, 44 (9) : 4659-4673.

qui montre le réseau bayésien du modèle de factorisation matricielle temporelle bayésienne (BTMF). Pour dessiner cet exemple de réseau bayésien, il y a quelques préliminaires à suivre :

• codes preamble :
  1. définissez la documentclass comme standalone , par exemple documentclass[border = 0.1cm]{standalone} avec une bordure de 0,1 cm,
  2. utilisez le package tikz , c'est-à-dire usepackage{tikz} , et utilisez la bibliothèque tikz comme usetikzlibrary{bayesnet} qui est un outil important pour dessiner des réseaux bayésiens et des graphiques à facteurs orientés,
  3. définissez le style tikz en utilisant la commande tikzstyle{} ,
  4. utilisez des environnements d'équations mathématiques, notamment usepackage{amsmath, amsfonts, amssymb} .
• codes body :
  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez node pour définir des nœuds et des zones de texte dans le réseau bayésien,
  3. utilisez path pour définir des flèches dans le réseau bayésien,
  4. utilisez plate pour définir les plaques dans le réseau bayésien.

Veuillez cliquer sur l'image et consulter le code source. Au lieu d'un processus autorégressif vectoriel multivarié sur des facteurs temporels, nous pouvons également utiliser un processus autorégressif univarié pour reconstruire BTMF. Le réseau Beyasian est disponible sur btmf_net.png, vous pouvez également consulter le code source btmf_net.tex.

Modèles graphiques

[Exemple 5]

Ces deux exemples montrent respectivement la matrice et le tenseur de séries chronologiques partiellement observés. Pour dessiner les deux exemples, nous pouvons suivre ces étapes :

• codes preamble :

  1. définir la documentclass comme standalone ,
  2. utilisez le package tikz .

• codes body :

  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez node pour définir des nœuds et des zones de texte dans le modèle graphique,
  3. utilisez path pour définir des flèches dans le modèle graphique.

[Exemple 6]

Ces deux exemples montrent la prédiction de séries chronologiques en présence de valeurs manquantes. Pour dessiner les deux exemples, nous pouvons suivre ces étapes :

• codes preamble :

  1. définir la documentclass comme standalone ,
  2. utilisez le package tikz .

• codes body :

  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez node pour définir des nœuds et des zones de texte dans le modèle graphique,
  3. utilisez path pour définir des flèches dans le modèle graphique.

[Exemple 7]

Ces deux exemples montrent les graphes non orientés et circulants sur les échantillons de données relationnelles avec certains degrés. Pour dessiner les deux exemples, nous pouvons suivre ces étapes :

• codes preamble :

  1. définir la documentclass comme standalone ,
  2. utilisez le package tikz .

• codes body :

  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez node pour définir les nœuds,
  3. utilisez path pour définir les flèches.

[Exemple 8]

Cet exemple est tiré de l'article suivant :

Xinyu Chen, Zhanhong Cheng, Nicolas Saunier, Lijun Sun (2022). Représentation convolutive laplacienne pour l'imputation de séries chronologiques de trafic. Préimpression arXiv arXiv : 2212.01529.

qui donne une illustration graphique du modèle convolutionnel laplacien pour l'imputation de séries chronologiques. Pour dessiner l’exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez le package tikz .
• codes body :
  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez begin{axis} end{axis} et addplot pour dessiner les coordonnées,
  3. utilisez node et path pour dessiner des nœuds et des flèches.

pgfplots Fonction Traçage

[Exemple 9]

Ces deux exemples montrent respectivement la fonction de densité de probabilité (PDF) et la fonction de densité cumulative (CDF) de la distribution d'Erlang. Pour dessiner l’exemple, il y a quelques étapes à suivre :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez le package pgfplots ,
  3. définissez le style de police et ajustez pgfplotsset{} comme vous préférez.
• codes body :
  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez begin{axis} end{axis} pour dessiner la fonction,
  3. utilisez addplot pour définir la fonction de dessin.

[Exemple 10]

Cet exemple montre le PDF de distribution normale avec différentes moyennes et variances. Pour dessiner cet exemple, il y a quelques étapes à suivre :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez le package pgfplots ,
  3. définissez le style de police et ajustez pgfplotsset{} comme vous préférez.
• codes body :
  1. utilisez pgfmathdeclarefunction pour définir la fonction PDF de distribution normale (gaussienne),
  2. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  3. utilisez begin{axis} end{axis} pour dessiner la fonction,
  4. utilisez addplot pour définir la fonction de dessin.
• Plus de messages :
  1. Traçage de la distribution normale dans pgfplots
  2. format numérique dans l'axe pgfplots
  3. Supprimer la notation scientifique qui est déraisonnable

[Exemple 11]

Ces deux exemples montrent respectivement le PDF et le PDF conjoint des distributions lognormales. Il existe du matériel recommandé pour suivre les exemples :

• Plus de messages :
  1. Dessiner une distribution normale bivariée dans TikZ
  2. Comment tracer deux distributions normales bivariées sur un seul graphique ?
  3. Tracer une distribution normale bivariée dans Tikz
  4. Courbe divisée avec addplot3

[Exemple 12]

Ces deux exemples montrent le processus itératif de gradient conjugué pour résoudre un système d'équations linéaires.

[Exemple 13]

Ces deux exemples montrent les modèles manquants aléatoires et non aléatoires. Pour dessiner les deux exemples, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez les packages tikz et pgfplots ,
  3. utilisez begin{filecontents} end{filecontents} pour contenir les données.
• codes body :
  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez begin{axis} end{axis} pour dessiner la fonction,
  3. utilisez addplot pour dessiner les données.

[Exemple 14]

Cet exemple montre quatre séquences composées de fonctions sinus et cosinus. Lorsque l'on considère ces séquences comme des séries chronologiques, nous pouvons alors voir deux types de dynamique temporelle, c'est-à-dire que l'une provient de la fonction sinus, tandis qu'une autre provient de la fonction cosinus. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez le package pgfplots ,
  3. définissez le style de police et ajustez pgfplotsset{} comme vous préférez.
• codes body :
  1. utilisez pgfmathdeclarefunction pour définir la fonction PDF de distribution normale (gaussienne),
  2. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  3. utilisez begin{axis} end{axis} pour dessiner la fonction,
  4. utilisez addplot pour définir la fonction de dessin.

[Exemple 15]

Cet exemple illustre le mécanisme de prévision de séries chronologiques sur des données en streaming dans notre projet tracebase. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez les packages tikz et pgfplots ,
  3. définissez le style de police et ajustez pgfplotsset{} comme vous préférez.
• codes body :
  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez begin{axis} end{axis} pour définir le graphique,
  3. utilisez addplot pour définir les marques à certaines coordonnées et spécifier la couleur de ces marques.

tikz pour la structure matricielle

[Exemple 16]

Cet exemple donne une illustration graphique du problème de prévision de séries chronologiques multivariées avec des valeurs manquantes. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez le package tikz .
• codes body :
  1. définissez les paramètres Depth , Width et Height à l'aide de newcommand ,
  2. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  3. utilisez les commandes draw , filldraw et node pour définir des rectangles et des nœuds.

[Exemple 17]

Cet exemple donne une illustration graphique de la factorisation matricielle temporelle. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez le package tikz .
• codes body :
  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez draw et filldraw pour définir les nœuds et les rectangles.

[Exemple 18]

Cet exemple donne une illustration graphique de la prévision de séries temporelles glissantes avec factorisation matricielle temporelle. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez le package tikz .
• codes body :
  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez draw et filldraw pour définir les nœuds et les rectangles.

tikz-3dplot pour la structure tensorielle

[Exemple 19]

Cet exemple donne une illustration graphique d'un tenseur du troisième ordre. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez les packages tikz et tikz-3dplot .
• codes body :
  1. définissez les paramètres Depth , Width et Height à l'aide de newcommand ,
  2. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  3. définir les coordonnées des arêtes tensorielles,
  4. utilisez la commande draw pour définir les nœuds.

[Exemple 20]

Cet exemple donne une illustration graphique de la factorisation classique du tenseur CP sur un tenseur du troisième ordre. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez les packages tikz et tikz-3dplot .
• codes body :
  1. définissez les paramètres Depth , Width et Height à l'aide de newcommand ,
  2. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  3. définir les coordonnées des arêtes tensorielles,
  4. utilisez la commande draw pour définir les nœuds.

[Exemple 21]

Cet exemple donne une illustration graphique du modèle de factorisation tensorielle augmentée. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez les packages tikz et tikz-3dplot .
• codes body :
  1. définissez les paramètres Depth , Width et Height à l'aide de newcommand ,
  2. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  3. définir les coordonnées des arêtes tensorielles,
  4. utilisez la commande draw pour définir les nœuds.

[Exemple 22]

Cet exemple donne une illustration graphique de la tâche de complétion du tenseur et de son cadre comprenant l'organisation des données et la complétion du tenseur, dans laquelle les mesures de trafic sont partiellement observées. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• Demande :
  1. télécharger courbe1.pdf,
  2. télécharger courbe2.pdf.
• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez les packages tikz et tikz-3dplot .
• codes body :
  1. définissez les paramètres Depth , Width et Height à l'aide de newcommand ,
  2. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  3. définir les coordonnées des arêtes tensorielles,
  4. utilisez la commande draw pour définir les nœuds.

[Exemple 23]

Cet exemple donne une illustration graphique du modèle d'achèvement de tenseur autorégressif de bas rang. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez les packages tikz et tikz-3dplot .
• codes body :
  1. définissez les paramètres Depth , Width et Height à l'aide de newcommand ,
  2. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  3. utilisez les commandes node , path , plate pour définir des nœuds, des flèches et des plaques,
  4. définir les coordonnées des arêtes tensorielles,
  5. utilisez la commande draw pour définir les nœuds.

[Exemple 24]

Cet exemple donne une illustration graphique du processus de seuillage de valeurs singulières des données tensorielles avec transformation unitaire. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez les packages tikz et tikz-3dplot .
• codes body :
  1. définissez les paramètres Depth , Width et Height à l'aide de newcommand ,
  2. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  3. utilisez la commande node pour définir les nœuds,
  4. définir les coordonnées des arêtes tensorielles,
  5. utilisez la commande draw pour définir les nœuds,
  6. utilisez la commande filldraw pour définir les couleurs des rectangles.

[Exemple 25]

Cet exemple donne une illustration graphique du modèle de complétion de tenseur de bas rang. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• Demande :
  1. télécharger input_tensor.pdf,
  2. téléchargez output_tensor.pdf.
• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez les packages tikz et tikz-3dplot ,
  3. utilisez le package algorithm2e ,
  4. utilisez usetikzlibrary{positioning, matrix, fit, calc} .
• codes body :
  1. utiliser l'environnement begin{algorithm} end{algorithm} pour définir l'algorithme,
  2. utilisez la commande matrix pour positionner les composants,
  3. utilisez begin{scope} end{scope} pour contenir les couches.

[Exemple 26]

Cet exemple donne une illustration graphique du modèle de régression tenseur de bas rang. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez les packages tikz et tikz-3dplot .
• codes body :
  1. définissez les paramètres Depth , Width et Height à l'aide de newcommand ,
  2. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  3. utilisez la commande draw pour définir les nœuds.

Visualisation des données

[Exemple 27]

Cet exemple montre la précision de l'imputation de certains modèles matriciels et tensoriels. Pour dessiner cet exemple, nous pouvons suivre ces étapes :

• codes preamble :
  1. définir la documentclass comme standalone ,
  2. utilisez le package tikz .
• codes body :
  1. utilisez begin{tikzpicture} end{tikzpicture} pour commencer à dessiner,
  2. utilisez la commande draw pour définir les nœuds,
  3. utilisez la commande pgfuseimage pour importer des images.

Projets connexes

• tikz-bayesnet
• génial-tikz
• transdim

Publications

La plupart de ces exemples proviennent de nos articles :

• Xinyu Chen, Zhanhong Cheng, HanQin Cai, Nicolas Saunier, Lijun Sun (2024). "Représentation convolutionnelle laplacienne pour l'imputation de séries chronologiques de trafic" . Transactions IEEE sur l'ingénierie des connaissances et des données, 36 (11) : 6490-6502. [Préimpression] [DOI] [Slides] [Données et code Python]

• Xinyu Chen, Lijun Sun (2022). Factorisation temporelle bayésienne pour la prédiction de séries chronologiques multidimensionnelles . Transactions IEEE sur l'analyse de modèles et l'intelligence artificielle, 44 (9) : 4659-4673. [Préimpression] [DOI] [Slides] [Données et code Python]

• Xinyu Chen, Mengying Lei, Nicolas Saunier, Lijun Sun (2022). "Achèvement du tenseur autorégressif de bas rang pour l'imputation des données de trafic spatio-temporelles" . Transactions IEEE sur les systèmes de transport intelligents, 23 (8) : 12301-12310. [Preprint] [DOI] [Data & Python code] (Également accepté en partie à l'atelier MiLeTS du KDD 2021, voir le document de l'atelier)

• Xinyu Chen, Yixian Chen, Nicolas Saunier, Lijun Sun (2021). Apprentissage tenseur de bas rang évolutif pour l'imputation de données de trafic spatio-temporelles . Recherche sur les transports, partie C : Technologies émergentes, 129 : 103226. [Préimpression] [DOI] [Données] [Code Python]

• Xinyu Chen, Lijun Sun (2020). "Achèvement du tenseur autorégressif de bas rang pour la prévision de séries chronologiques multivariées" . Préimpression arXiv arXiv : 2006.10436. [Préimpression] [Données et code Python]

• Xinyu Chen, Jinming Yang, Lijun Sun (2020). "Un modèle d'achèvement de tenseur de bas rang non convexe pour l'imputation de données de trafic spatio-temporelles" . Recherche sur les transports, partie C : Technologies émergentes, 117 : 102673. [Préimpression] [DOI] [Données et code Python]

• Xinyu Chen, Zhaocheng He, Yixian Chen, Yuhuan Lu, Jiawei Wang (2019). Imputation des données de trafic manquantes et découverte de modèles avec un modèle de factorisation tenseur augmenté bayésien . Recherche sur les transports, partie C : Technologies émergentes, 104 : 66-77. [DOI] [Diapositives] [Données] [Code Matlab] [Code Python]

• Xinyu Chen, Zhaocheng He, Lijun Sun (2019). "Une approche de décomposition tensorielle bayésienne pour l'imputation de données de trafic spatio-temporelles" . Recherche sur les transports, partie C : Technologies émergentes, 98 : 73-84. [Préimpression] [DOI] [Données] [Code Matlab] [Code Python]