Les méthodes d'explication a posteriori existantes, indépendantes du modèle, génèrent des explications externes pour les modèles opaques, principalement en attribuant localement les sorties du modèle aux caractéristiques d'entrée. Cependant, elles manquent d'un cadre permettant de quantifier explicitement et systématiquement les contributions de chaque caractéristique. Cet article intègre les méthodes d'attribution locale existantes basées sur le cadre d'expansion de Taylor proposé par Deng et al. (2024) et présente des hypothèses strictes pour l'attribution spécifique à Taylor : précision, association et divergence nulle. Sur la base de ces hypothèses, nous proposons TaylorPODA (Taylor expansion-derived imPortance-Order aDapted Attribution), qui intègre une propriété « adaptative » supplémentaire. Cette propriété permet l'alignement avec les objectifs spécifiques à la tâche, en particulier dans les contextes a posteriori où les explications de base font défaut. Les évaluations expérimentales démontrent que TaylorPODA obtient des résultats compétitifs par rapport aux méthodes de référence et fournit des explications fondées sur des principes et facilement visualisables. Cette étude améliore la fiabilité de la distribution des modèles opaques en fournissant des explications reposant sur une base théorique plus solide.
