본 논문은 그래프 신경망(GNNs)의 설명 가능성(XGNN)을 향상시키기 위해 새로운 방법인 OPEN을 제안합니다. 기존 XGNN 방법들의 주요 한계점인 데이터셋 전체의 다양한 분포에 걸친 GNN의 완전한 의사결정 로직 포착 실패 및 에지 속성과 GNN 내부 접근성에 대한 엄격한 전제 조건 문제를 해결하고자 합니다. OPEN은 데이터셋 전체의 샘플 공간을 서로 다른 분포를 따르는 그래프들을 포함하는 여러 환경으로 분할하고, 각 환경에서 서브그래프를 샘플링하여 GNN의 의사결정 로직을 학습함으로써 엄격한 전제 조건 없이 GNN의 거의 완전한 의사결정 로직을 추론합니다. 실험 결과, OPEN은 기존 최고 성능의 방법들보다 신뢰도가 높으면서도 유사한 효율성을 유지하고, 실제 시나리오에서 강건성을 향상시키는 것으로 나타났습니다.
