우리는 단일 입력 의존적 선형 사상 (input-dependent linear map)을 통해 예측값을 노드별, 피처별 기여도로 정확하게 분해하는, 본질적으로 설명 가능한 그래프 신경망 (GNN) 클래스인 B-cos GNNs를 소개합니다. B-cos GNNs는 선형 (합계 기반) 집계 (aggregation)를 사용하며, 비선형 메시지 및 업데이트 함수를 B-cos 변환 (B-cos transforms)으로 대체합니다. 이는 모델의 동적 선형성 (dynamic linearity)을 통해 직접 접근 가능한, 의미 있고 작업 특화된 가중치-입력 정렬 (weight-input alignment)을 유도합니다. 인스턴스 수준의 설명 (Instance-level explanations)은 단 한 번의 순전파 (forward pass)와 역전파 (backward pass)를 통해 도출되며, 별도의 보조 설명기 (auxiliary explainer), 수정된 학습 목적 함수 (learning objective), 또는 섭동 절차 (perturbation procedure)를 필요로 하지 않습니다. GIN으로 구현된 우리의 접근 방식은 예측 정확도에서의 미세한 손실을 감수하는 대신, 다양한 합성 및 실제 벤치마크에서 최첨단 (state-of-the-art) 수준의 설명 가능성을 제공하며, 사후 해석 (post-hoc) 베이스라인보다 수십 배 더 빠르게 설명을 생성합니다.