当可解释性遇上隐私：在自然语言处理背景下对后验可解释性和差分隐私交叉点的研究

在可信赖自然语言处理 (NLP) 的研究中，出现了许多重要的研究领域，包括可解释性和隐私。尽管近年来对可解释和隐私保护 NLP 的研究兴趣显着增加，但这两个交叉领域仍缺乏调查。这导致在理解是否可以同时实现可解释性和隐私，或者两者是否相互矛盾方面存在相当大的空白。在这项工作中，我们在 NLP 的背景下，以差分隐私 (DP) 和事后可解释性等流行的总体方法为指导，对隐私-可解释性权衡进行了实证研究。我们的研究结果包括对隐私和可解释性之间复杂关系的看法，该关系由多种因素形成，包括下游任务的性质以及文本隐私化和可解释性方法的选择。在此，我们强调了隐私和可解释性共存的可能性，并总结了我们的发现，为这一重要交叉领域的未来工作提供了实用建议。