Diese Studie bietet eine umfassende Bewertung und einen Vergleich einer Vielzahl von Erklärungsmethoden für Graph-Neuronale-Netze, um deren Leistungsfähigkeit, Stabilität und Praxistauglichkeit zu untersuchen.
Eine informationstheoretische Definition von Erklärbarkeit wird eingeführt und es wird gezeigt, dass gängige Treue-Metriken oft nicht mit dieser Definition übereinstimmen. Eine robuste Klasse von Treue-Maßen wird vorgestellt, die resistent gegen Verteilungsverschiebungen sind und in einer Vielzahl von Szenarien anwendbar sind.