抽象的机器学习（ML）模型，明显强大，缺乏解释性。缺乏透明度，通常被称为ML模型的黑匣子性质，破坏了信任，并敦促需要提高其解释性的努力。可解释的AI（XAI）技术通过提供框架和方法来解释这些复杂模型的内部决策过程，以应对这一挑战。诸如反事实解释（CF）和特征重要性之类的技术在实现这一目标中起着至关重要的作用。此外，高质量和多样化的数据仍然是强大和可信赖的ML应用程序的基础元素。在许多应用中，用于训练ML和XAI解释器的数据包含敏感信息。在这种情况下，可以使用许多隐私技术来保护数据中的敏感信息，例如差异隐私。随后，由于其反对目标，XAI与隐私解决方案之间发生了冲突。由于XAI技术为模型行为提供了推理，因此它们揭示了相对于ML模型的信息，例如其决策边界，特征值或深度学习模型的梯度，当解释暴露于第三实体时。攻击者可以使用这些解释来启动隐私违反攻击，以执行模型提取，推理和会员攻击。这个难题强调了在理解ML决策和保护隐私之间找到正确平衡的挑战。