본 연구는 그래프 신경망(GNN) 해석을 위한 새로운 방법론을 제시합니다. 기존 GNN-LRP 방식의 지수적 복잡도를 해결하기 위해 메시지 전달 기법을 활용하여 네트워크 깊이에 따라 선형 시간 안에 서브그래프 속성을 부여하는 알고리즘을 개발했어요. 개발된 알고리즘은 주변 그래프 특징을 고려하는 일반화된 서브그래프 속성 부여를 가능하게 하며, 실험 결과에서 효율성과 확장성을 입증했어요.
기존 GNN-LRP 방식은 노드 간의 상호작용을 분석하여 GNN의 작동 방식을 설명하는 데 사용되었지만, 지수적 복잡도라는 한계가 있었어요. 본 연구에서는 이러한 복잡도를 줄이기 위해 메시지 전달 기법과 분배적 속성을 활용하여 효율적인 알고리즘을 제안했어요.
새로운 알고리즘은 기존 방식보다 훨씬 빠른 속도로 서브그래프 속성을 계산할 수 있으며, 주변 그래프 특징을 고려한 일반화된 속성 부여를 통해 GNN 해석의 활용도를 높일 수 있습니다.