EcoStack-Pro: 異種産業セクター横断の解釈可能なESG監査のための適応的連合学習フレームワーク

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:This paper contributes a novel federated learning architecture with adaptive weighting and interpretability methods for cross-sector ESG auditing.

🏢実務担当者:Corporate sustainability teams can adopt this framework for secure, high-accuracy ESG audits across diverse business units or supply chains.

🏛政策担当者:Policymakers may consider this as a model for privacy-preserving mandatory ESG disclosure verification.

はじめに 環境・社会・ガバナンス（ESG）指標へのパラダイムシフトにより、複雑で非財務的な業績指標を分析できる高度な監査システムが必要とされている。しかし、従来の中央集権型人工知能（AI）モデルは、ますます厳格化するデータプライバシー規制と衝突する一方、従来の連合学習アプローチは、多様な産業セクターに典型的な高い統計的不均一性とデータ不均衡の下では収束に苦慮している。方法 高精度予測とデータ主権の間のトレードオフに対処するため、本研究では、LightGBM、XGBoost、および勾配ブースティング回帰器のスタック型アンサンブルによって駆動され、ベイズリッジメタ学習器によって最適化された分散型監査フレームワークであるEcoStack-Proを提案する。このアーキテクチャの中核はFed-GenAdaptiveアルゴリズムであり、ソフトマックス正規化を備えたソフトゲーティングメカニズムを採用し、各クライアントのローカル検証誤差と汎化ギャップに応じてクライアントの貢献を動的に重み付けする。結果 10の異なる産業クライアントにわたる21,400件の企業年次観測値からなる層化データセットを利用し、本フレームワークはテストセットR2 0.9614を達成する。この性能は、中央集権型の上限値（R2 0.9790）の予測力の98.2%を保持しつつ、企業のプライバシーを厳格に保護する。考察 さらに、Shapley加法説明（SHAP）と局所解釈可能なモデル非依存説明（LIME）の統合により、モデルの解釈可能性が向上し、ガバナンス評価の非線形な決定要因が解明される。これらの結果は、適応的で多様なアンサンブル戦略が単一モデルの連合ベースラインの限界を克服できることを示しており、セキュアでセクター横断的な持続可能な金融監査のための堅牢なフレームワークを提供する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Introduction The paradigm shifts toward environmental, social, and governance (ESG) metrics has necessitated advanced auditing systems capable of analyzing complex, non-financial performance indicators. However, traditional centralized artificial intelligence (AI) models conflict with increasingly stringent data privacy regulations, while conventional federated learning approaches struggle to converge under the high statistical heterogeneity and data imbalance typical of diverse industrial sectors. Methods To address the trade-off between high-precision forecasting and data sovereignty, this study proposes EcoStack-Pro, a decentralized auditing framework driven by a stacked ensemble of LightGBM, XGBoost, and Gradient Boosting regressors, optimized via a Bayesian ridge meta-learner. Central to this architecture is the Fed-GenAdaptive algorithm, which employs a soft-gating mechanism with softmax normalization to dynamically weight client contributions according to their local validation errors and generalization gaps. Results Utilizing a stratified dataset of 21,400 firm-year observations across 10 distinct industrial clients, the framework achieves a test-set R2 of 0.9614. This performance retains 98.2% of the predictive power of the centralized upper bound (R2 of 0.9790) while strictly preserving corporate privacy. Discussion Furthermore, the integration of Shapley additive explanations (SHAP) and local interpretable model-agnostic explanations (LIME) enhances model interpretability, elucidating the non-linear drivers of governance ratings. These results demonstrate that adaptive, diverse ensemble strategies can overcome the limitations of single-model federated baselines, providing a robust framework for secure, cross-sector sustainable finance auditing.

• semanticscholar https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2026.1813511/pdffirst seen 2026-07-19 05:57:34 · last seen 2026-09-22 05:22:17