The simultaneous clustering of observations and features of datasets (known as co-clustering) has recently emerged as a central topic in machine learning applications. However, most models focus on continuous data in stationary scenarios, where cluster assignments do not evolve over time. We propose in this paper the dynamic latent block model (dLBM), which extends the classical binary latent block model, making amenable such analysis to dynamic cases where data are counts. Our approach operates on temporal count matrices allowing to detect abrupt changes in the way existing clusters interact with each other. The time breaks detection is performed through clustering of time instants that allows for better model parsimony. The time-dependent counting data are modeled via non-homogeneous Poisson processes (HHPPs), conditionally to the latent variables. In order to handle the model inference, we rely on a SEM-Gibbs algorithm and the ICL criterion is used for model selection. Numerical experiments on simulated data highlight the main features of the proposed approach and show the interest of dLBM with respect to related works. An application to adverse drug reaction in pharmacovigilance is also proposed, where dLBM was able to recognize clusters in a meaningful way that identified safety events that were consistent with retrospective knowledge. Hence, our aim is to propose this dynamic co-clustering method as a tool for automatic safety signal detection, to support medical authorities.

数据集的观察和特征的同时聚类（称为共同聚类）最近已成为机器学习应用程序的中心话题。然而，大多数模型关注静态场景中的连续数据，其中集群分配不会随着时间而演变。我们在本文中提出了动态潜在块模型 (dLBM)，它扩展了经典的二进制潜在块模型，使这种分析适用于数据是计数的动态情况。我们的方法在时间计数矩阵上运行，允许检测现有集群相互交互方式的突然变化。时间中断检测是通过对时间点进行聚类来执行的，这允许更好的模型简约性。时间相关的计数数据通过非齐次泊松过程 (HHPP) 建模，有条件地对潜变量。为了处理模型推断，我们依赖 SEM-Gibbs 算法，并使用 ICL 标准进行模型选择。模拟数据的数值实验突出了所提出方法的主要特征，并显示了 dLBM 对相关工作的兴趣。还提出了在药物警戒中的药物不良反应应用，其中 dLBM 能够以有意义的方式识别集群，识别与回顾性知识一致的安全事件。因此，我们的目标是提出这种动态联合聚类方法作为自动安全信号检测的工具，以支持医疗机构。模拟数据的数值实验突出了所提出方法的主要特征，并显示了 dLBM 对相关工作的兴趣。还提出了在药物警戒中的药物不良反应应用，其中 dLBM 能够以有意义的方式识别集群，识别与回顾性知识一致的安全事件。因此，我们的目标是提出这种动态联合聚类方法作为自动安全信号检测的工具，以支持医疗机构。模拟数据的数值实验突出了所提出方法的主要特征，并显示了 dLBM 对相关工作的兴趣。还提出了在药物警戒中的药物不良反应应用，其中 dLBM 能够以有意义的方式识别集群，识别与回顾性知识一致的安全事件。因此，我们的目标是提出这种动态联合聚类方法作为自动安全信号检测的工具，以支持医疗机构。