본 논문은 메시지 전달(Message-Passing) 기반 그래프 신경망(GNN)의 설명 가능성을 향상시키는 새로운 방법을 제안합니다. 기존 연구들이 개별 그래프 인스턴스에 대한 설명 생성에 집중한 것과 달리, 본 논문은 데이터셋 수준에서 그래프 형태의 전역적 설명 개념을 식별하는 데 초점을 맞춥니다. GNN의 내부 메시지 전달 과정에서 발생하는 중요한 서브트리를 분석하고 추출하여, 이를 데이터셋의 중요한 서브그래프로 매핑하는 방식을 제시합니다. 효율적인 알고리즘을 사용하여 임베딩 공간에서 서브트리를 집계함으로써, 지역적, 클래스별, 그리고 전역적 수준에서 직관적인 그래프 설명을 생성합니다. 실험 결과, 제안된 방법은 기존 전역 설명 방법들이 언어 또는 임베딩과 같은 비그래픽 형태의 규칙을 생성하는 것과 달리, 데이터셋 수준에서 깔끔한 서브그래프 개념을 생성하며, 개별 인스턴스에 대한 설명 성능 또한 기존 최고 수준의 지역 설명 방법과 비교해 동등하거나 더 우수함을 보여줍니다.
