面向可解释人工智能的隐私风险与保护方法：范围综述

可解释人工智能（Explainable Artificial Intelligence, XAI）已然成为可信赖人工智能（Trustworthy AI）的基石，旨在为本质上具有隐性特性的复杂模型带来透明度。尽管将解释纳入模型中具有诸多好处，但亟需关注向终端用户提供此类额外信息所带来的隐私问题。本文采用范围综述（scoping review）方法，对现有文献进行系统梳理，以厘清隐私与可解释性之间的冲突。我们从2019年1月至2044年12月从1943篇研究文献中抽取了57篇文章。本综述围绕三个研究问题展开，以增进读者对该议题的理解：（1）在AI系统中发布解释会产生哪些隐私风险？（2）当前研究者为实现XAI系统中的隐私保护采取了哪些方法？（3）何为一种符合隐私保护要求的解释？基于所选研究综合而得的知识，我们对XAI中的隐私风险与保护方法进行分类，并提出符合隐私要求的解释的特征，以帮助研究者和实践者理解XAI中隐私合规的需求。最后，我们识别了在平衡隐私与其他系统需求之间所面临的挑战，并提供实现隐私保护型XAI的建议。我们期望本综述能为可信赖AI的基本原则——隐私与可解释性之间复杂关系提供阐明。