Cet article présente les garanties de stabilité comme une méthode raisonnée pour évaluer l'attribution de caractéristiques. Il souligne les limites des méthodes d'authentification existantes, qui utilisent des classificateurs excessivement lissés et n'offrent que des garanties conservatrices. Pour y remédier, nous introduisons la « stabilité douce » et proposons un algorithme d'authentification de stabilité (SCA) simple, indépendant du modèle et efficace en termes d'échantillons, qui fournit des garanties non évidentes et interprétables pour toutes les méthodes d'attribution. De plus, nous démontrons qu'un lissage doux offre un meilleur compromis entre précision et stabilité, évitant les compromis excessifs inhérents aux méthodes d'authentification existantes. Pour tenir compte de ce phénomène, nous dérivons de nouvelles caractéristiques de stabilité sous lissage grâce à l'analyse fonctionnelle booléenne. Nous démontrons l'efficacité de la stabilité douce pour mesurer la robustesse des méthodes d'explication en évaluant l'SCA sur des tâches de vision et de langage.
