説明可能なK近傍法 (Explainable K-Nearest Neighbors, XKNN) は、古典的なKNN分類器または回帰器に、構造化された事後説明または組み込み説明メカニズムを付加し、どの近傍事例、どの特徴量、そしてどの距離寄与が個々の予測を駆動しているかを明らかにし、モデルの推論を人間が理解・監査可能に透明化します。

標準的なKNNは既に最も透明性の高い学習アルゴリズムの一つです。これは、最も近い訓練例の多数決によって予測を行うため、どの事例が回答に影響を与えたかをユーザーに正確に示すことができます。説明可能なKNNは、各近傍事例の影響を定量化し、個々の特徴量に寄与度スコアを割り当て、さらに予測を反転させるであろう反事実的な近傍事例（counterfactual neighbors）を提示することによって、この直観を形式化します。これにより、元のアルゴリズムを不明瞭にすることなく、モデルの暗黙的な事例ベースの論理を明示的で人間が読める正当化へと転換させます。