Ce travail porte sur la génération de matrices de corrélation théoriques présentant des motifs de parcimonie spécifiques, associés à des structures de graphe. Nous présentons une nouvelle approche basée sur l’optimisation convexe, offrant une plus grande flexibilité par rapport aux techniques existantes, notamment en contrôlant la moyenne de la distribution des entrées dans les matrices de corrélation générées. Cela permet de produire des matrices de corrélation représentant plus fidèlement des données réalistes et pouvant être utilisées pour l’évaluation comparative des méthodes statistiques d’inférence de graphes.