يقدم هذا البحث طريقة جديدة وكفوءة للنسبة السوداء الصندوقية تعتمد على معيار الاستقلال هيلبرت-شميدت (HSIC)، وهو مقياس اعتماد يستند إلى فضاءات هيلبرت ذات النواة القابلة للتكرار (RKHS). يقيس HSIC الاعتماد بين مناطق صورة الإدخال ومخرجات نموذج بناءً على تضمينات النواة لتوزيعات البيانات. وبذلك، يوفر تفسيرات غنية بقدرات تمثيل RKHS. يمكن تقدير HSIC بكفاءة عالية جدًا، مما يقلل بشكل كبير من التكلفة الحسابية مقارنة بالطرق الأخرى للنسبة السوداء الصندوقية. أظهرت تجاربنا أن HSIC أسرع بمقدار يصل إلى 8 مرات من أفضل طرق النسبة السوداء الصندوقية السابقة مع الحفاظ على الدقة نفسها. في الواقع، نحن نحسن أو نتوافق مع أفضل ما وصل إليه البحوث الحديثة لكل من طرق النسبة السوداء الصندوقية والبيضاء الصندوقية فيما يتعلق بعدة مقاييس للوفاء باستخدام Imagenet ومع مجموعة متنوعة من هياكل النماذج الحديثة. ومن المهم الإشارة إلى أننا أظهرنا أن هذه التحسينات يمكن نقلها لشرح نماذج الكشف عن الأشياء مثل YOLOv4 بكفاءة ودقة. وأخيرًا، نوسع نطاق الطرق التقليدية للنسبة بتقديم نواة جديدة تسمح بتفكيك أهمية النقاط بطريقة متعامدة مشابهة لتحليل التباين ANOVA بناءً على HSIC، مما يتيح لنا تقييم أهمية كل منطقة في الصورة وكذلك أهمية التفاعلات الثنائية بينها. يمكن الوصول إلى تنفيذنا عبر الرابط:https://github.com/paulnovello/HSIC-Attribution-Method.