本文提出了一种名为 Xplain 的模型解释性分析方法，旨在揭示模型解释中存在的“不可见相关性”（invisible correlations）。研究人员观察到，现有的可解释人工智能（XAI）方法通常只关注单一特征对预测结果的直接影响，而忽略了特征之间隐含的、非直观的相互作用，这些相互作用可能对模型的决策行为产生重要影响。为此，Xplain 设计了一种新的框架，能够从模型解释结果中自动挖掘并量化这些隐藏的关联模式，从而帮助安全分析师和模型审计人员更全面地理解模型行为。该方法的核心理念是将解释视为一种数据来源，利用统计关联分析和图结构来表征特征间的协同或抑制关系。作者通过实验证明了 Xplain 在多种模型和数据集上能够发现传统解释方法无法捕捉的关联，并展示了其在模型公平性、鲁棒性分析以及对抗样本检测（作为防御辅助手段）中的潜在用途。论文的主要贡献包括：其一，首次系统化定义了模型解释中的不可见相关性问题；其二，提出了一个无需修改原模型即可扩展的解释增强算法；其三，提供了可视化工具用以直观展示这些关联。本文面向的研究读者包括可解释人工智能、模型审计、以及安全防御领域的研究人员和工程师。需要注意的是，当前仅基于摘要进行分析，完整实验细节和代码尚未公开。