يُعدّ التكامل بين تقنيات الذكاء الاصطناعي (AI) وتقنيات الواقع المُعزّز (XR) (AI XR) مُستقبلاً واعداً لتطبيقات مبتكرة في مجالات عديدة. ومع ذلك، فإن الطبيعة الحساسة للبيانات (مثل تتبع حركة العين) المستخدمة في هذه الأنظمة تثير مخاوف كبيرة بشأن الخصوصية، حيث يمكن للمهاجمين استغلال هذه البيانات والأنماط لاستنتاج معلومات شخصية وتسريبها من خلال هجمات استنتاج العضوية (MIA) وتحديد الهوية مرة أخرى (RDA) بدرجة نجاح عالية. وقد اقترح الباحثون مختلف التقنيات لتقليل هذه الهجمات على الخصوصية، بما في ذلك الخصوصية التفاضلية (DP). ولكن غالبًا ما تحتوي مجموعات بيانات AI XR على عدد كبير من الميزات، وتطبيق DP بشكل موحد قد يؤدي إلى إدخال ضوضاء غير ضرورية على الميزات الأقل صلة، مما يُضعف دقة النموذج ويزيد من وقت الاستنتاج، ما يحد من تطبيقها في الوقت الفعلي في بيئات XR. مُحفَّزين بهذا التحدي، نُقدِّم إطاراً مُبتكرًا يُدمج بين الذكاء الاصطناعي القابل للتفسير (XAI) وآليات حماية الخصوصية المدعومة بـ DP لصد هجمات الخصوصية. وبشكل محدد، نستفيد من تفسيرات ما بعد التدريب (post-hoc explanations) لتحديد الميزات الأكثر تأثيراً في نماذج AI XR، ونُطبّق DP بشكل انتقائي على هذه الميزات أثناء الاستنتاج. وقد قُمنا بتقييم نهجنا المُوجَّه بـ XAI في ثلاث نماذج متطورة لـ AI XR وثلاث مجموعات بيانات: التصنيف المتعلق بمرض السickness الافتراضي (cybersickness)، والانفعالات، والأنشطة. أظهرت النتائج أن الطريقة المقترحة تقلل من معدلات نجاح هجمات MIA وRDA بنسبة تصل إلى 43% و39% على التوالي في مهام السickness الافتراضي، مع الحفاظ على فعالية النموذج بذات دقة تصل إلى 97% باستخدام نماذج Transformer. علاوةً على ذلك، تُحسّن من وقت الاستنتاج بنسبة تصل إلى ~2 مرة مقارنة بالتقنيات التقليدية لـ DP. ولإثبات الجدوى العملية، قمنا بنشر نماذج AI XR المُوجَّهة بـ XAI وDP على جهاز HTC VIVE Pro، وطورنا واجهة مستخدم (UI) تُسمى PrivateXR، تسمح للمستخدمين بتعديل مستويات الخصوصية (مثل منخفض، متوسط، عالٍ) أثناء استلام تنبؤات فورية للمهام، مما يُعزز حماية خصوصية المستخدم أثناء اللعب في بيئات XR.