본 논문은 그래프 신경망(GNNs)의 설명가능성(XGNN) 분야에서 기존 방법들의 두 가지 주요 한계점, 즉 (a) 전체 데이터셋의 표본 공간에서 다양한 분포에 걸쳐 GNNs의 완전한 의사결정 논리를 포착하지 못하고, (b) 에지 속성 및 GNN 내부 접근성에 엄격한 전제 조건을 부과하는 점을 해결하기 위해 새로운 방법인 OPEN을 제안합니다. OPEN은 데이터셋의 표본 공간을 서로 다른 분포를 따르는 그래프들을 포함하는 여러 환경으로 분할하고, 각 환경에서 하위 그래프를 샘플링하여 GNNs의 의사결정 논리를 학습함으로써 엄격한 전제 조건 없이 GNNs의 거의 완전한 의사결정 논리를 포착합니다. 실험 결과, OPEN은 기존 최첨단 방법보다 충실도가 높으면서도 유사한 효율성을 유지하고 실제 시나리오에서 강건성을 향상시키는 것으로 나타났습니다.
