연구진은 그래프 신경망(GNN)의 의사 결정 근거를 설명하는 instance-level 설명 방법론의 한계를 지적했어요. 기존 방법은 엣지 간의 시너지 효과를 간과하여 정확한 엣지 중요도 평가를 어렵게 한다는 문제점을 짚어냈어요. 이를 해결하기 위해 SeeExplainer라는 새로운 설명 도구를 제안하여 GNN 해석 정확도를 높였어요.
SeeExplainer는 그래프를 여러 개의 granular-ball로 분해하고, 이들을 노드로 활용하여 구조 그래프를 구축하는 방식으로 엣지 간의 시너지 효과를 효과적으로 반영해요. 구조 그래프의 노드와 엣지를 변형하여 각 요소의 기여도에 따라 설명 가능한 부분 그래프를 생성해요.
실험 결과, SeeExplainer는 다양한 그래프 분류 데이터셋에서 기존 최고 성능 모델보다 우수한 성능을 보여주며 GNN 설명의 새로운 가능성을 제시했어요.