Ce travail étudie les changements dans les politiques d’exportation d’armement de la France et de la Suède depuis la fin de la guerre froide. Il cherche à expliquer pourquoi on assiste d’abord à un phénomène de convergence entre les deux Etats (1990-2005) puis à un phénomène de divergence (2005-2015). La thèse montre que les explications du changement ne viennent pas uniquement de facteurs internationaux (transformations économiques, diplomatiques) ou internes (évolutions de l’industrie de défense, scandales, alternances politiques), mais des rapports de force entre coalitions « pro-soutien » et « pro-contrôle » des ventes d’armes. L’intervention et l’enchaînement de mécanismes causaux faisant appel au travail politique d’acteurs du sous-système de politique publique sont nécessaires pour relier les facteurs de changement internationaux et domestiques aux réformes observées dans les politiques d’exportation d’armements. / This thesis studies the changes in French and Swedish arms export policies since the end of the Cold War. It seeks to explain why we first observe a converging trend between the two states (1990-2005) and then a diverging trend (2005-2015). The thesis shows that the explanations for policy change do not stem only from international (economic and diplomatic transformations) or domestic factors (defence industry evolutions, arms trade scandals, government political shifts), but from the power struggles between “pro-support” and “pro-control” arms export coalitions. The intervention and succession of causal mechanism requiring actors’ political work is necessary to link the international and domestic factors of change to the observed reforms in arms export policies.

Dans les annales de l'Intelligence Artificielle (IA), la quête incessante pour émuler la cognition humaine dans les machines a sous-tendu l'évolution technologique, repoussant les limites du potentiel humain et des capacités de résolution de problèmes. L'intégration de l'IA a catalysé des progrès remarquables, pénétrant divers domaines et redéfinissant des industries. Cependant, un défi demeure imperturbable : l'obstacle de la généralisation hors de la distribution (OOD). Alors que l'IA triomphe avec des données familières, elle échoue avec des données en dehors de son domaine d'entraînement. En santé, en finance et au-delà, les limitations de l'IA entravent l'adaptation à des scénarios nouveaux. Cette lacune découle de l'écart entre les schémas appris et les caractéristiques causales et invariantes sous-jacentes, entravant l'adaptabilité à des scénarios inexplorés. Cette thèse franchit des étapes significatives pour aborder cette question en innovant et en exploitant des méthodes issues de l'apprentissage de structure causale et de représentation. Le parcours commence par un algorithme novateur d'apprentissage de structure, les ``Reusable Factor Graphs'', qui tire parti des biais inductifs issus de la causalité et de la cognition humaine pour une meilleure généralisation. Ensuite, en explorant l'apprentissage de représentation causale, nous découvrons des représentations désenchevêtrées centrées sur les objets en utilisant une supervision faible basée sur une connaissance partielle de la structure causale des données. Ces connaissances se conjuguent pour préconiser l'apprentissage conjoint de la structure causale et de la représentation. L'architecture proposée, les ``Reusable Slotwise Mechanisms'' (RSM), relie théorie et pratique, démontrant une promesse réelle à travers ses représentations centrées sur les objets et ses mécanismes causaux réutilisables. Cette fusion offre une solution potentielle pour surmonter les limitations de la généralisation OOD en IA. / In the annals of Artificial Intelligence (AI), an enduring quest to emulate human cognition in machines has underpinned technological evolution, driving the boundaries of human potential and problem-solving capabilities. The integration of AI has catalyzed remarkable progress, infiltrating various domains and redefining industries. Yet, a challenge remains unshaken: the hurdle of out-of-distribution (OOD) generalization. While AI triumphs with familiar data, it falters with data outside its training realm. In healthcare, finance, and beyond, AI's limitations hinder adaptation to novel scenarios. This deficiency arises from the gap between learned patterns and underlying causal and invariant features, hindering adaptability to uncharted scenarios. This thesis takes significant steps toward tackling this issue by innovating and leveraging methods from causal structure and representation learning. The journey begins with an innovative structure learning algorithm, Reusable Factor Graphs, leveraging inductive biases from causality and human cognition for improved generalization. Next, delving into causal representation learning, we uncover object-centric disentangled representations using weak supervision from partial knowledge of the causal structure of data. These insights synergize in advocating joint learning of causal structure and representation. The proposed Reusable Slotwise Mechanisms (RSM) architecture bridges theory and practice, demonstrating real-world promise through its object-centric representations and reusable causal mechanisms. This fusion offers a potential solution for tackling OOD generalization limitations in AI.