Cet article met en évidence le problème suivant : les algorithmes existants pour générer des explications pour les résultats des classificateurs d'images utilisent diverses définitions et techniques d'explication, mais n'adoptent pas d'approche raisonnée fondée sur une définition formelle de la cause et de l'explication. Par conséquent, nous proposons une nouvelle approche boîte noire basée sur une théorie de la causalité réelle. Nous démontrons des résultats théoriques pertinents, présentons un algorithme permettant de calculer des explications approximatives basées sur ces définitions, et discutons de la terminaison de l'algorithme, de sa complexité et de la comparaison de l'approximation avec la définition exacte. Nous implémentons le cadre proposé dans un outil appelé ReX et présentons des résultats expérimentaux et des comparaisons avec des outils de pointe. Nous démontrons que ReX est le plus efficace et produit les explications les plus petites, tout en surpassant les autres outils boîte noire sur des mesures de qualité standard.
