本文是一篇关于对抗环境下可解释机器学习（Explainable Machine Learning）的系统化综述（SoK）。近年来，后验解释方法使得深度学习模型等'黑盒'决策过程可以实现精确的特征归因，这引发了利用这些方法来检测对抗样本或神经后门等攻击的期望。然而，现有的解释方法本身并不具备对抗鲁棒性，攻击者可能操纵解释结果。本文旨在系统地分类针对后验解释方法的攻击，为开发更稳健的可解释机器学习奠定基础。作者提出了一个解释感知的鲁棒性概念层次结构，并将现有防御措施映射到该层次结构中，从而揭示了防御措施之间的协同作用、研究空白以及未来方向。核心主张是：如果解释方法不能被攻击者误导，它们就可以成为对抗机器学习中的有效工具，标志着重要转折点。本工作面向机器学习安全领域的研究者，为其提供了系统化的视角，以理解可解释性的安全挑战。