これは何？
本記事は、XAI（説明可能なAI）について日本語で執筆されている書籍のまとめです。以下にまとめる書籍はXAIの概要や複数のXAIの手法について書かれています。これにより、俯瞰的に把握することで手法の選択に役立ちます。それぞれに対して、@daikikatsuragawaのコメントをつけています。
機械学習を解釈する技術〜予測力と説明力を両立する実践テクニック
実務を見据えたXAIの概要、実務において特に有用であろう手法について解説されています。線形回帰モデルの解釈性に加え、ブラックボックスなモデルに解釈性を与える手法であるPFI（Permutation Feature Importance）、PD（Partial Dependence）、ICE（Individual Conditional Expectation）、SHAP（SHapley Additive exPlanations）が紹介されており、これらの手法が有用な場面での参考になります。
XAI（説明可能なAI）--そのとき人工知能はどう考えたのか？
XAIの概要、各手法の特徴などについて広く深く解説されています。XAIが求められる背景から、様々な場面に対して有用な手法とその実践例、使われ方（とその時の注意）まで網羅的に紹介されています。XAIというキーワードに引っかかる方にとっては、ご自身の理解を増補させる内容が得られるものがはずです。
情報処理 特集別刷「AI判断の根拠を説明するXAIを使いこなす」
情報処理学会の学会誌「情報処理」のXAI特集です。XAIに関わる著者複数人がそれぞれXAI自体や今後の展望、産業利用について解説しています。特に、今後に書かれていることも多く、社会実装（産業利用など）に向けた現状の課題についての理解を深めることができます。
Interpretable Machine Learning
『Interpretable Machine Learning──A Guide for Making Black Box Models Explainable』の日本語訳でありWeb上での閲覧が可能です。解釈可能な機械学習（Interpretable Machine Learning）の全般について特に広く深く解説されています。XAI自体についての理解を深めるのに有用です。各手法について参考文献が示されており、深堀も可能です。また、継続的に執筆中で、今後も改善や章の追加が予定されています。原著は2022年11月12日に更新されていました（2022年12月1日に確認）。