The relationship between energy consumption and economic growth has been a popular topic in recent studies, with a considerable amount of literature conducted, although there still is no consensus regarding the relationship. Few studies have analysed the nuclear energy growth nexus with greenhouse gas emissions, and none have used the same method, data, and sample period. Therefore, there are still gaps in the literature regarding the Energy Growth Nexus, and this study provides a unique insight into the Swedish nuclear dilemma.   The purpose of this paper is to study the causal relationship between economic growth and nuclear energy consumption, and the causality between greenhouse gas emissions and nuclear energy consumption, in Sweden. The results of which are used to discuss the future consequences a continued shutdown of Sweden’s nuclear power could have. Seven EU nations and two non-EU nations are included to be able to make comparisons to Sweden. This paper is based on a method of time series analysis by conducting Ordinary Least Squares-regressions in combination with Granger causality tests.    Our results indicate that nuclear power granger cause growth in Belgium and the United Kingdom. Additionally, this study finds a bidirectional granger causality between greenhouse gas emissions and nuclear energy in the USA. The causal relationship between nuclear energy, economic growth, and greenhouse gas emissions in Sweden is still unclear. However, the Swedish energy market is facing multiple challenges including global warming, increased energy demand, and a transition towards a completely renewable energy mix. The role of nuclear power in the Swedish energy mix is still unclear. It is therefore the authors belief that a decision regarding the future of the Swedish energy supply is needed. / Förhållandet mellan energikonsumtion och ekonomisk tillväxt har varit ett populärt ämne i nutida forskning, detta då en avsevärd mängd litteratur har författats på ämnet, dock har forskningen ännu inte funnit konsensus gällande det påstådda förhållandet. Få studier har emellertid analyserat energi-tillväxt sambandet med växthusgaser, inga av dessa studier har använt samma metod, data och tidsperiod. Med grund i detta finns det ändock ett tomrum i forskningen och litteraturen gällande energi-tillväxt sambandet och denna studie tillhandahåller en särskild insikt i det svenska kärnkraftsdilemmat.    Syftet med denna uppsats har varit att studera det kausala förhållandet mellan ekonomisk tillväxt och kärnkraftskonsumtion, samt kausaliteten mellan utsläpp från växthusgaser och ekonomisk tillväxt, i Sverige. Resultaten av denna uppsats har använts för att diskutera och analysera framtida konsekvenser av en fortsatt kärnkraftsnedstängning i Sverige. Sju EU-nationer samt två länder utanför EU har inkluderats för att kunna genomföra jämförelser med Sverige. Denna uppsats är baserad på en metod av tidsserieanalys som regression kallad Minsta Kvadratregressioner i kombination med Granger kausalitets-tester.   Uppsatsens resultat indikerar att kärnkraft Granger-kauserar tillväxt i Belgien och Storbritannien. Studien finner även en dubbelriktad Granger-kausalitet mellan växthusgasutsläpp och kärnkraft i USA. Det kausala sambandet mellan kärnkraft, ekonomisk tillväxt och växthusgasutsläpp i Sverige är fortsatt otydligt. Den svenska energimarknaden står emellertid inför flera utmaningar som främst inkluderar global uppvärmning, ökande efterfrågan på energi samt en pågående övergång till en helt förnybar energimix. Rollen kärnkraft kommer ha i den svenska energimixen är fortfarande oklar. Det är därför författarnas uppfattning att ett beslut angående hur det framtida energiutbudet ska se ut måste tas.

This document contains a meta-commentary on the article that I co-authored with Dr. Corry Cropper entitled Breaking the Duel's Rules: Brantôme, Mérimée, and Melville, that will be published in the next issue of Essays in French Literature and Culture, and an annotated bibliography of primary and secondary sources featuring summaries and important quotes dealing with duels, honor, honor codes, cheating, historical causality, chance, and sexuality. Also, several examples of film noir are cited with brief summaries and key events noted. The article we wrote studies two instances of cheating in duels: one found in Brantôme's Discours sur les duels and the other in Prosper Mérimée's Chronique du règne de Charles IX, and the traditional, as well as anti-causal, repercussions they had. Melville's Le Deuxième souffle is also analyzed with regards to the Gaullist Gu Minda and the end of the aristocratic codes of honor that those of his generation dearly respected but that were overcome by the commercial world of republican law and order.

Les familles exponentielles sont une classe de modèles omniprésente en statistique. D'une part, elle peut modéliser n'importe quel type de données. En fait la plupart des distributions communes en font partie : Gaussiennes, variables catégoriques, Poisson, Gamma, Wishart, Dirichlet. D'autre part elle est à la base des modèles linéaires généralisés (GLM), une classe de modèles fondamentale en apprentissage automatique. Enfin les mathématiques qui les sous-tendent sont souvent magnifiques, grâce à leur lien avec la dualité convexe et la transformée de Laplace. L'auteur de cette thèse a fréquemment été motivé par cette beauté. Dans cette thèse, nous faisons trois contributions à l'intersection de l'optimisation et des statistiques, qui tournent toutes autour de la famille exponentielle. La première contribution adapte et améliore un algorithme d'optimisation à variance réduite appelé ascension des coordonnées duales stochastique (SDCA), pour entraîner une classe particulière de GLM appelée champ aléatoire conditionnel (CRF). Les CRF sont un des piliers de la prédiction structurée. Les CRF étaient connus pour être difficiles à entraîner jusqu'à la découverte des technique d'optimisation à variance réduite. Notre version améliorée de SDCA obtient des performances favorables comparées à l'état de l'art antérieur et actuel. La deuxième contribution s'intéresse à la découverte causale. Les familles exponentielles sont fréquemment utilisées dans les modèles graphiques, et en particulier dans les modèles graphique causaux. Cette contribution mène l'enquête sur une conjecture spécifique qui a attiré l'attention dans de précédents travaux : les modèles causaux s'adaptent plus rapidement aux perturbations de l'environnement. Nos résultats, obtenus à partir de théorèmes d'optimisation, soutiennent cette hypothèse sous certaines conditions. Mais sous d'autre conditions, nos résultats contredisent cette hypothèse. Cela appelle à une précision de cette hypothèse, ou à une sophistication de notre notion de modèle causal. La troisième contribution s'intéresse à une propriété fondamentale des familles exponentielles. L'une des propriétés les plus séduisantes des familles exponentielles est la forme close de l'estimateur du maximum de vraisemblance (MLE), ou maximum a posteriori (MAP) pour un choix naturel de prior conjugué. Ces deux estimateurs sont utilisés presque partout, souvent sans même y penser. (Combien de fois calcule-t-on une moyenne et une variance pour des données en cloche sans penser au modèle Gaussien sous-jacent ?) Pourtant la littérature actuelle manque de résultats sur la convergence de ces modèles pour des tailles d'échantillons finis, lorsque l'on mesure la qualité de ces modèles avec la divergence de Kullback-Leibler (KL). Pourtant cette divergence est la mesure de différence standard en théorie de l'information. En établissant un parallèle avec l'optimisation, nous faisons quelques pas vers un tel résultat, et nous relevons quelques directions pouvant mener à des progrès, tant en statistiques qu'en optimisation. Ces trois contributions mettent des outil d'optimisation au service des statistiques dans les familles exponentielles : améliorer la vitesse d'apprentissage de GLM de prédiction structurée, caractériser la vitesse d'adaptation de modèles causaux, estimer la vitesse d'apprentissage de modèles omniprésents. En traçant des ponts entre statistiques et optimisation, cette thèse fait progresser notre maîtrise de méthodes fondamentales d'apprentissage automatique. / Exponential families are a ubiquitous class of models in statistics. On the one hand, they can model any data type. Actually, the most common distributions are exponential families: Gaussians, categorical, Poisson, Gamma, Wishart, or Dirichlet. On the other hand, they sit at the core of generalized linear models (GLM), a foundational class of models in machine learning. They are also supported by beautiful mathematics thanks to their connection with convex duality and the Laplace transform. This beauty is definitely responsible for the existence of this thesis. In this manuscript, we make three contributions at the intersection of optimization and statistics, all revolving around exponential families. The first contribution adapts and improves a variance reduction optimization algorithm called stochastic dual coordinate ascent (SDCA) to train a particular class of GLM called conditional random fields (CRF). CRF are one of the cornerstones of structured prediction. CRF were notoriously hard to train until the advent of variance reduction techniques, and our improved version of SDCA performs favorably compared to the previous state-of-the-art. The second contribution focuses on causal discovery. Exponential families are widely used in graphical models, and in particular in causal graphical models. This contribution investigates a specific conjecture that gained some traction in previous work: causal models adapt faster to perturbations of the environment. Using results from optimization, we find strong support for this assumption when the perturbation is coming from an intervention on a cause, and support against this assumption when perturbation is coming from an intervention on an effect. These pieces of evidence are calling for a refinement of the conjecture. The third contribution addresses a fundamental property of exponential families. One of the most appealing properties of exponential families is its closed-form maximum likelihood estimate (MLE) and maximum a posteriori (MAP) for a natural choice of conjugate prior. These two estimators are used almost everywhere, often unknowingly -- how often are mean and variance computed for bell-shaped data without thinking about the Gaussian model they underly? Nevertheless, literature to date lacks results on the finite sample convergence property of the information (Kulback-Leibler) divergence between these estimators and the true distribution. Drawing on a parallel with optimization, we take some steps towards such a result, and we highlight directions for progress both in statistics and optimization. These three contributions are all using tools from optimization at the service of statistics in exponential families: improving upon an algorithm to learn GLM, characterizing the adaptation speed of causal models, and estimating the learning speed of ubiquitous models. By tying together optimization and statistics, this thesis is taking a step towards a better understanding of the fundamentals of machine learning.

<p dir="ltr">The research delves into the intricate challenge of quantifying data protection, a concept that has evolved from ancient ethical codes to the complex landscape of modern cybersecurity. The research underscores the pressing need for a scientific approach to cybersecurity, emphasizing the importance of measurable security properties and a robust theoretical foundation. It highlights the historical evolution of confidentiality, tracing its roots from ancient civilizations to the contemporary digital era, where the proliferation of technology has amplified both the important ortance and complexity of safeguarding sensitive information. The research identifies key challenges in measuring data protection, including the dynamic nature of threats, the gap between theoretical models and real-world implementations, and the difficulty of accurately modeling risks. It also explores societal challenges related to data protection, such as data breaches, surveillance, social media privacy erosion, and the lack of adequate regulations and enforcement.</p><p dir="ltr">The core of the research lies in developing a causal model that examines the interplay of security controls, vulnerabilities,and threats, providing a deeper understanding of the factors influencing data exposure. The model is built upon a comprehensive literature review, synthesizing key findings and establishing a taxonomy of security protections. The research outlines a structured approach to building and utilizing causality models, incorporating essential elements such as identifying key variables, visualizing causal relationships using Directed (A)cyclic Graphs (DAGs), and determining appropriate research methodologies. The model is rigorously validated through various techniques, including assessing model fit, examining confounding factors. The research also explores a general set of experiments for both interventions and counterfactual studies.</p><p dir="ltr">The research concludes by highlighting potential future research directions, particularly emphasizing the need for standardized data protection metrics and the development of adaptive security systems. It underscores the importance of consistent measurements that enable organizations to compare their security performance effectively and adapt to the evolving threat landscape. The development of adaptive security systems, capable of dynamically modifying defense mechanisms in response to new threats, is also identified as a crucial research avenue. The research's contribution lies in providing a systematic approach to studying data protection, from problem identification to model development, validation, and future directions, ultimately aiming to enhance the protection of sensitive information.</p>

Les progrès récents en apprentissage par renforcement ont été substantiels, mais ils dépendent souvent de l'accès à l'état. Un état est un ensemble d'informations qui fournit une description concise et complète de l'environnement, englobant tous les détails pertinents nécessaires pour que l'agent puisse prendre des décisions éclairées. Cependant, de telles données détaillées sont rarement disponibles dans les situations réelles. Les images offrent une forme de données plus réaliste et accessible, mais leur complexité pose d'importants défis dans le développement de politiques robustes et efficaces. Les méthodes d'apprentissage de représentation se sont révélées prometteuses pour améliorer l'efficacité des politiques basées sur les données de pixels. Néanmoins, les politiques peinent toujours à généraliser à de nouveaux domaines, rendant l'application de l'apprentissage par renforcement basé sur les pixels impraticable pour des scénarios du monde réel. Cela souligne le besoin urgent de s'attaquer à l'adaptation de domaine dans l'apprentissage par renforcement basé sur les pixels. Cette thèse examine le potentiel de l'apprentissage de représentation causale pour améliorer l'adaptation de domaine dans l'apprentissage par renforcement. L'idée sous-jacente est que pour que les agents s'adaptent efficacement à de nouveaux domaines, ils doivent être capables d'extraire des informations de haut niveau à partir de données brutes et de comprendre les dynamiques causales qui régulent l'environnement. Pour étudier cela, nous évaluons quatre algorithmes distincts d'apprentissage de représentation causale, chacun conçu pour capturer un niveau de structure plus détaillé dans l'espace latent, évaluant leur impact sur la performance d'adaptation de domaine. Le processus implique d'abord d'apprendre une représentation causale puis de former l'agent d'apprentissage par renforcement sur cette représentation. La performance d'adaptation de domaine de ces agents est évaluée dans deux environnements de conduite autonome : CarRacing et CARLA. Nos résultats soutiennent que l'apprentissage d'une représentation latente améliore nettement l'efficacité et la robustesse dans l'apprentissage par renforcement basé sur les pixels. De plus, ils indiquent qu'apprendre une structure causale dans l'espace latent contribue à une meilleure performance d'adaptation de domaine. Cependant, la promesse de la représentation causale pour améliorer l'adaptation de domaine est tempérée par leurs demandes computationnelles substantielles. De plus, lorsque des observations de plusieurs domaines sont disponibles, cette approche ne dépasse pas l'efficacité des méthodes plus simples. Nous avons également trouvé que les agents entraînés sur des représentations qui conservent toutes les informations de l'espace latent ont tendance à surpasser les autres, suggérant que les représentations dissociées sont préférables aux représentations invariantes. / Recent advancements in reinforcement learning have been substantial, but they often depend on access to the state. A state is a set of information that provides a concise and complete description of the environment, encompassing all relevant details necessary for the agent to make informed decisions. However, such detailed data is rarely available in real-world settings. Images present a more realistic and accessible data form, but their complexity introduces considerable challenges in developing robust and efficient policies. Representation learning methods have shown promise in enhancing the efficiency of policies based on pixel data. Nonetheless, policies continue to struggle to generalize to new domains, making the application of pixel-based reinforcement learning impractical for real-world scenarios. This highlights the urgent need to address domain adaptation in pixel-based reinforcement learning. This thesis investigates the potential of causal representation learning in improving domain adaptation in reinforcement learning. The underlying premise is that for reinforcement learning agents to adapt to new domains effectively, they must be able to extract high-level information from raw data and comprehend the causal dynamics that regulate the environment. We evaluate four distinct causal representation learning algorithms, each aimed at uncovering a more intricate level of structure within the latent space, to assess their impact on domain adaptation performance. This involves first learning a causal representation, followed by training the reinforcement learning agent on this representation. The domain adaptation performance of these agents is evaluated within two autonomous driving environments: CarRacing and CARLA. Our results support that learning a latent representation enhances efficiency and robustness in pixel-based RL. Moreover, it indicates that understanding complex causal structures in the latent space leads to improved domain adaptation performance. However, the promise of advanced causal representation in augmenting domain adaptation is tempered by its substantial computational demands. Additionally, when observations from multiple domains are available, this approach does not exceed the effectiveness of simpler methods. We also found that agents trained on representations that retain all information tend to outperform others, suggesting that disentangled representations are preferable to invariant representations.

Le retentissement psychologique d’événements sources de responsabilité, quels qu’ils soient – acte de terrorisme, perte d’un être cher, harcèlement moral… – est spécifique du fait de ses caractères protéiforme et invisible. Tout d’abord, le premier d’entre eux tient au fait qu’en matière psychologique tant les atteintes que les souffrances en résultant sont diverses. Ainsi, d’un point de vue lésionnel, certains événements vont s’avérer plus traumatisants que d’autres, principalement ceux au cours desquels le sujet a été confronté à sa propre mort. Concernant la souffrance, un sujet peut tout aussi bien souffrir émotionnellement d’une altération de sa propre intégrité – par exemple physique avec le diagnostic d’une pathologie grave – que d’un tort affectant celle d’un proche (e.g. décès, handicap). Un retentissement qualifié d’invisible ensuite, puisqu’il apparaît bien plus aisé d’identifier une atteinte à l’intégrité physique qu’une atteinte à l’intégrité psychique. De plus, certaines atteintes psychologiques sont totalement insaisissables en raison de leur caractère éminemment diffus. L’objet de cette démonstration est donc de savoir comment le droit de la responsabilité civile va appréhender la victime de ce retentissement psychologique. Sa prise en charge ne pourra être que particulière du fait de l’interaction inévitable entre les sphères juridique et psychologique.Afin de le découvrir sera proposée, dans un premier temps, une conceptualisation de la victime psychologique se fondant sur la réalité psychopathologique. Deux grandes distinctions nourrissent cette réflexion. L’une est de nature juridique ; il s’agit de la distinction du dommage et du préjudice. L’autre est d’origine psychopathologique ; elle oppose le choc émotionnel au traumatisme psychique. Leur entrecroisement permettra d’élaborer différents cas de manifestation de la souffrance psychologique et de dessiner les contours de la qualité de victime. Dans un second temps, au titre de l’indemnisation de la victime psychologique, tant l’appréciation que l’évaluation de ses préjudices seront examinées. Les répercussions du traumatisme psychique voire du choc émotionnel vont parfois être si importantes que l’indemnisation ne pourra se cantonner à la seule souffrance éprouvée. Des conséquences de nature différente, par exemple patrimoniales, devront être prises en considération. À cette fin, une typologie des préjudices de la victime sous analyse mérite d’être mise en place. Des règles d’indemnisation distinctes seront érigées en fonction du préjudice subi. Un préjudice présumé, notamment à partir d’un dommage, ne pourra logiquement être compensé de la même façon que des préjudices non présumables, c’est-à-dire soumis à expertise. En somme, le système d’indemnisation à instaurer se devra d’être en phase avec le système de révélation de la souffrance qui aura été précédemment établi.Ainsi, cette étude se propose de construire un réel statut fondateur de la victime psychologique. Une fois cette notion cardinale intégralement conceptualisée, un régime d’indemnisation s’en inférant sera rationnellement avancé. / The psychological impact of the events, which are the source of responsibility, be they acts of terrorism, loss of a loved one, psychological harassment, is specific to characteristics both protean and invisible. The first among them is due to the fact that in psychological matter injuries and the resulting suffering are both varied. As such, from the injury point of view, certain events will prove to be more traumatizing than others. Principally those during which the subject has been faced with his own death. Concerning suffering, a subject can as well emotionally suffer a change in his own integrity – for example the physical one with a diagnosis of a serious illness – that of a sort damage which affects that of a loved one (e.g. death or handicap). Then, the impact is considered invisible. It appears much more simple indeed, to identify harm to physical integrity as a harm to psychic integrity. More so, certain psychological harms are totally imperceptible by reason of their eminently diffuse characteristic. The object of this demonstration is therefore to know how civil liability law will comprehend the victim of such a psychological impact. Its comprehension will be particular given the inevitable interaction between the judicial and psychological spheres.In order to better understand this, we will first propose a conceptualization of the psychological victim that blends into psychopathological reality. Two major distinctions feed this thought. One is legal nature, which relates to the distinction between prejudice and harm. The other is psychopathological in nature which opposes emotional shock and psychic trauma. Their intertwining allows us to elaborate different cases of manifestation of psychological suffering and define the contours of the qualities of the victim. Secondly, regarding compensation for a psychological victim, both the appreciation and the evaluation of these prejudices will be examined. The repercussions of psychic trauma, or even emotional shock can sometimes be so grave that compensation cannot restrict itself only to the experienced suffering. Consequences of different natures, for example patrimonial ones, must be taken into consideration. To this end, a division of the prejudices of the psychological victim should be put in place. Distinct rules of compensation will be established based on the prejudice endured. A prejudice presumed, originating notably from a harm, cannot logically be compensated in the same fashion as non-presumable prejudices that require a forensic assessment. In short, the system of compensation must be in phase with the system of disclosure of suffering that has been previously established. As a result, this study proposes to construct a true founding status of a psychological victim. Once this principal notion has been completely conceptualized, we can use it to create a rational compensation scheme.

Thèse numérisée par la Division de la gestion de documents et des archives de l'Université de Montréal.

This thesis is a study of the shifting philosophical trends in the works of Samuel Beckett, Donald Barthelme, and Kurt Vonnegut as representations of a greater shift from modernism to postmodernism. I have chosen to explore Beckett's plays Waiting for Godot and Krapp's Last Tape, Barthelme's short stories "Nothing: A Preliminary Account," "The New Music," and "Kierkegaard Unfair to Schlegal," and Vonnegut's book Timequake to see how each author seeks to find a new hope in the face of a collapsed causal system. This work is an examination of the form and content of each author's work as it pertains to their own philosophical standing and in relation to the other two authors' works. I argue that each author finds a different hope for humanity depending on their place among the philosophical trends during their time. / Graduation date: 2012

Thèse numérisée par la Division de la gestion de documents et des archives de l'Université de Montréal

台灣不動產投資信託（T-REITs）自2005年發行至今已逾六年，然其市場表現仍不如發行之初所預期。過去國內已有許多研究針對T-REITs市場發展進行探討，然而目前就T-REITs與直接不動產投資市場價格表現間之相關研究尚付之闕如。有鑑於此，本研究藉由共整合與Granger因果關係檢定，檢視REITs與直接不動產市場間之關聯性，了解台灣與美國之REITs市場表現差異及其影響因素，進而作為改進T-REITs運作機制或架構之參考依據。 實證結果發現，美國之REITs與直接不動產市場之間存在共整合關係。此結果表示，長期而言，這兩者可能具有相似之風險分散效益。此外，透過Granger因果關係檢定發現REITs領先於直接不動產，乃因前者市場較具效率。另一方面，台灣之REITs與直接不動產市場之間則不具有共整合以及領先或落後關係，然直接不動產當期價格仍會受到本身與REITs之前期價格影響。 本研究進一步分析台、美兩國實證結果之差異原因如下：資料的樣本期間、REITs市場規模、存在於T-REITs市場之集中性風險以及潛在的代理問題。其中，針對T-REITs潛在代理問題，本研究藉由分析股票與T-REIT報酬率之波動性，發現T-REIT之不動產管理機構若與母集團相關者，則其市場表現較差。因此，我們得出T-REITs市場發展主要是受限於代理問題之結論。本研究成果不僅有助於改善T-REITs市場效率，亦可提供學術與實務之參考。 / The mechanism of Real Estate Investment Trusts in Taiwan (or T-REITs) was launched in 2005, however, T-REITs market did not perform as expected. What caused the limited development of T-REITs market? Current literature on the performance between T-REITs and direct real estate investment is limited. Through the cointegration and Granger causality tests, the purpose of this study is hence to explore the short-term and long-term dynamics between REITs and direct real estate markets in the U.S. and Taiwan, respectively. This study presents evidence of the cointegration relationship between REITs and direct real estate in the U.S. It implies that the diversification properties of these two assets are likely to be similar over the long horizon. According to the Granger causality test, REITs leads direct real estate due to the market information efficiency. These findings are consistent with those of previous studies. On the other hand, we find no cointegration and lead-lag relation between T-REITs and commercial real estate. Moreover, the current commercial transaction price is affected by both its and T-REIT previous price. By comparing the difference between the results of these two countries, there are several possible explanations for the different results between the U.S. and Taiwan, including difference in sample period, market capitalization, concentrated risk, and most importantly, the potential agency problem existing in T-REITs market. Finally, the underperformance of parent-related management T-REIT is verified through the volatilities of stock and T-REIT returns. Therefore, we conclude that the limited development of T-REITs is caused by the agency problem in REITs market. Results of this study may provide T-REITs market for improving its efficiency, as well as for the reference for both academics and real practices.