기존의 model-agnostic 사후 설명 방법들은 주로 모델 출력을 입력 특징에 국부적으로 귀속시킴으로써 불투명한 모델에 대한 외부 설명을 생성합니다. 하지만 개별 특징의 기여도를 명시적이고 체계적으로 정량화하는 프레임워크가 부족합니다. 본 논문은 Deng et al. (2024)이 제시한 Taylor 전개 프레임워크를 기반으로 기존 국부적 귀속 방법들을 통합하고, Taylor 항 특정 귀속을 위한 "정밀도", "연합", "영-불일치"라는 엄격한 가정들을 제시합니다. 이러한 가정들을 바탕으로, 추가적인 "적응" 속성을 포함하는 TaylorPODA (Taylor expansion-derived imPortance-Order aDapted Attribution)를 제안합니다. 이 속성은 특히 ground-truth 설명이 없는 사후 설정에서 작업 특정 목표와의 정렬을 가능하게 합니다. 실험적 평가는 TaylorPODA가 기준 방법들에 비해 경쟁력 있는 결과를 달성하고, 원칙적이며 시각화하기 쉬운 설명을 제공함을 보여줍니다. 본 연구는 더 강력한 이론적 토대를 갖춘 설명을 제공함으로써 불투명한 모델의 신뢰할 수 있는 배포를 향상시킵니다.