Nous proposons une méthode de représentation des réseaux bipartites à l'aide d'auto-encodeurs de graphes adaptés
à l'étude des réseaux écologiques issus de données de sciences participatives. Ceci représente un double défis, puisque l'on veut mettre en évidence les effets de nombreuses covariables d'intérêt écologique, comme par exemple la dégradation des habitats, tout en prenant en compte les effets d'échantillonnage, notamment l'effet observateur. Nous adaptons l'approche de l'auto-encodeur variationnel de graphes au cas bipartite pour générer des représentations dans un espace latent où les deux ensembles de nœuds sont positionnés en fonction de leur probabilité de connexion. En incorporant le critère d'indépendance de Hilbert-Schmidt (HSIC) comme un terme de pénalité supplémentaire dans la perte que nous optimisons, nous nous assurons que la structure de l'espace latent est indépendante des variables continues, qui sont liées au processus d'échantillonnage.
Nous appliquons notre méthode à l'ensemble de données Spipoll, un programme d'observation participatif des interactions entre plantes et pollinisateurs à travers toute la France auquel contribuent de nombreux observateurs, ce qui le rend biaisé car les participants sont sujet à un phénomène d'apprentissage au fur et a mesure de leur participation. Enfin, nous prédisons les changement de structure du réseau de pollinisation en fonction de variations de composition du paysage, avec ou sans prise en compte de l'experience des observateurs. Les resultats mettent en lumière l'importance de la correction des biais d'echantillonnage, avec par exemple, une connectivité du réseau largement augmenté dans les paysages agricole dominés par de l'elevage lorsque les biais d'échantillonnage sont corrigés.