본 논문은 그래프 데이터 분석의 핵심 문제인 노드 중요도 랭킹을 다룬다. 기존 방법론들이 네트워크 구조에 의존하여 개인 정보 보호 문제를 야기하고, 다른 네트워크로의 일반화가 어려운 점을 해결하고자 한다. 특히, 합성 네트워크에서 훈련된 노드 중요도 랭킹 모델이 실제 네트워크에 효과적으로 적용될 수 있는지에 대한 질문에 답하기 위해, 인과적 표현 학습을 활용하는 새로운 프레임워크인 ICAN(Influence-aware Causal Autoencoder Network)을 제안한다. ICAN은 노드 중요도와 인과적으로 관련된 노드 임베딩을 추출하기 위해 영향력을 고려한 인과적 표현 학습 모듈을 오토인코더 구조 내에 도입하고, 재구성 및 랭킹 목표를 공동으로 최적화하는 통합된 최적화 프레임워크를 통해 합성 네트워크에서 훈련된 모델이 다양한 실제 그래프에 효과적으로 일반화되도록 설계되었다.
