← 論文一覧に戻る

グラフ拡張マルチモーダル評価：LLMと知識グラフを用いた気候物理リスクのグリーンモーゲージ分析への統合

Graph-Enhanced Multimodal Valuation: Integrating Climate Physical Risk into Green Mortgage Analytics with LLMs and Knowledge Graphs (原題)

Ritu Gaur, Archana Jain, Deepak Kumar Gupta, Gaurav Kumar, Aditya Yadav, Rashmi Singh

DMPedia Lecture Notes in Computer Science & Engineering📚 査読済 / ジャーナル2026-07-26#AI×ESG経営インパクト: 資金調達対象セクター: real_estate
DOI: 10.65890/dmp-lncse.iciccs26.185
原典: https://digitalmanuscriptpedia.com/conferences/index.php/DMP-LNCSE/article/download/185/187
📄 PDF

🤖 gxceed AI 要約

日本語

本論文は、大規模言語モデル、地理空間API、知識グラフを組み合わせて、不動産評価に気候物理リスク（洪水、熱ストレスなど）を組み込むフレームワークを提案する。文書理解からリスクスコアリングまで4層のアーキテクチャを構築し、実験では抽出精度5-8%向上、評価誤差10-15%低減を達成。グリーンモーゲージやESG報告への応用が期待される。

English

This paper proposes a climate-aware valuation framework that integrates multimodal LLMs, geospatial APIs, and Neo4j knowledge graphs to inject physical climate risk signals into property valuation. It achieves 5-8% improvement in extraction F1 and 10-15% reduction in valuation RMSE. The framework supports green mortgage origination, portfolio stress testing, and ESG reporting with explainable risk scores.

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

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本ではSSBJやTCFDに基づく気候リスク開示が進むが、不動産担保評価に物理リスクを具体的に織り込む手法は未確立。本フレームワークは、日本の銀行や住宅金融機関がグリーンモーゲージ商品を設計・評価する際に参考となる。ただし、使用する地理空間データを日本仕様に調整する必要がある。

In the global GX context

The paper directly addresses a gap in current climate disclosure and green finance practices by providing a concrete method to integrate physical climate risk into mortgage valuation. It aligns with TCFD, ISSB, and emerging regulatory expectations for climate stress testing. The use of LLMs and knowledge graphs to generate explainable risk signals is a novel contribution to the climate-finance intersection.

👥 読者別の含意

🔬研究者:Demonstrates a novel integration of multimodal LLMs and knowledge graphs for climate-aware valuation, opening avenues for further research in explainable AI for ESG.

🏢実務担当者:Banks and mortgage lenders can use this framework to enhance green mortgage origination, portfolio risk assessment, and ESG reporting with quantitative climate risk scores.

🏛政策担当者:Provides a blueprint for incorporating physical climate risk into housing finance regulations and stress testing frameworks, supporting climate resilience in the financial system.

📄 抄録（日本語訳）

従来の不動産評価および住宅ローン引受パイプラインは、洪水、熱ストレス、異常気象などの物理的気候リスクの明示的なモデリングをほとんど考慮しておらず、これらの危険が資産価値、デフォルト確率、ポートフォリオの回復力に実質的に影響を与えるという証拠が増えているにもかかわらず、その状況にある。この欠落は、新興のグリーンファイナンス、ESG、気候関連開示制度に適合しようとする銀行や住宅金融会社にとって、構造的な盲点を生み出している。グリーンモーゲージや持続可能な住宅金融商品は、依然として省エネ指標に狭く焦点を当てる傾向があり、立地固有の気候危険や回復力特性を過小評価している。本稿は、マルチモーダル大規模言語モデル、地理空間API、Neo4jベースの知識グラフを組み合わせた気候認識型評価フレームワークを提案し、構造化された気候リスクシグナルを不動産評価ワークフローに注入する。このアーキテクチャは4つの層で構成される：(i) LayoutLMやビジョン拡張LLMなどの文書理解モデルを用いて、ローンおよび不動産文書から建物属性、材料、レイアウト特徴を抽出するマルチモーダル抽出層、(ii) ISRO BhuvanやOpenWeatherMapなどのプラットフォームから各不動産を危険および気候指標で補強する地理空間統合層、(iii) 不動産、危険、回復力特性、評価イベントをノードおよび関係として符号化する知識グラフ構築層、(iv) グラフ上で推論を行い、複合気候リスクスコアおよび気候調整済み評価額を導出するGraphRAGベースのリスクスコアリング層である。住宅物件のハイブリッド（半シミュレーション）データセットを用いた実験結果は、提案システムが文書レベルの抽出F1をテキストのみのベースラインと比較して約5〜8パーセントポイント改善し、気候特徴を含めると評価RMSEを10〜15パーセント削減し、グラフ制約付き検索を活用することで幻覚によるリスク説明を低減することを示している。このフレームワークはBFSIのIT制約と互換性を持つように設計されている。グリーンモーゲージの組成、ポートフォリオの気候ストレステスト、ESG報告を、基礎となる証拠にリンクされた説明可能でクエリ可能な気候リスクシグナルを提供することで支援できる。

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。

📄 Abstract（原文）

Traditional property valuation and mortgage underwriting pipelines largely ignore explicit modelling of physical climate risk such as floods, heat stress, and extreme weather, despite growing evidence that these hazards materially affect asset values, default probabilities, and portfolio resilience. This omission creates a structural blind spot for banks and housing finance companies attempting to align with emerging green finance, ESG, and climate disclosure regimes. Green mortgages and sustainable housing finance products still tend to focus narrowly on energy efficiency metrics while underweighting location-specific climate hazards and resilience features. This paper proposes a climate-aware valuation framework that combines multimodal large language models, geospatial APIs, and Neo4j-based knowledge graphs to inject structured climate risk signals into property valuation workflows. The architecture comprises four layers: (i) a multimodal extraction layer using document understanding models such as LayoutLM/vision-enhanced LLMs to extract building attributes, materials, and layout features from loan and property documents; (ii) a geospatial integration layer that enriches each property with hazard and climate indicators from platforms such as ISRO Bhuvan and OpenWeatherMap; (iii) a knowledge graph construction layer that encodes properties, hazards, resilience features, and valuation events as nodes and relationships; and (iv) a GraphRAG-based risk scoring layer that performs reasoning over the graph to derive composite climate risk scores and climate-adjusted valuations. Experimental results on a hybrid (semi-simulated) dataset of residential properties show that the proposed system improves document-level extraction F1 by approximately 5–8 percentage points over text-only baselines, reduces valuation RMSE by 10–15 per cent when climate features are included, and lowers hallucinated risk explanations by leveraging graph-constrained retrieval. The framework is designed to be compatible with BFSI IT constraints. It can support green mortgage origination, portfolio climate stress testing, and ESG reporting by providing explainable, queryable climate risk signals linked to underlying evidence.  

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。