論文の概要: InvestESG: A multi-agent reinforcement learning benchmark for studying climate investment as a social dilemma

• arxiv url: http://arxiv.org/abs/2411.09856v1
• Date: Fri, 15 Nov 2024 00:31:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:39:10.778758
• Title: InvestESG: A multi-agent reinforcement learning benchmark for studying climate investment as a social dilemma
• Title（参考訳）: InvestESG: 社会ジレンマとしての気候投資研究のためのマルチエージェント強化学習ベンチマーク
• Authors: Xiaoxuan Hou, Jiayi Yuan, Joel Z. Leibo, Natasha Jaques,
• Abstract要約: InvestESGは、ESG開示義務が企業気候投資に与える影響を研究するために設計された、新しいマルチエージェント強化学習(MARL)ベンチマークである。 我々の実験は、十分な資本を持つESGを意識した投資家がいなければ、開示委任統治下での企業緩和努力は限定的であることを示している。 地球温暖化のリスクに関するより多くの情報を提供することで、投資家が関与しなくても、企業は緩和により多くの投資をすることができる。
• 参考スコア（独自算出の注目度）: 8.867831781244575
• License:
• Abstract: InvestESG is a novel multi-agent reinforcement learning (MARL) benchmark designed to study the impact of Environmental, Social, and Governance (ESG) disclosure mandates on corporate climate investments. Supported by both PyTorch and GPU-accelerated JAX framework, the benchmark models an intertemporal social dilemma where companies balance short-term profit losses from climate mitigation efforts and long-term benefits from reducing climate risk, while ESG-conscious investors attempt to influence corporate behavior through their investment decisions. Companies allocate capital across mitigation, greenwashing, and resilience, with varying strategies influencing climate outcomes and investor preferences. Our experiments show that without ESG-conscious investors with sufficient capital, corporate mitigation efforts remain limited under the disclosure mandate. However, when a critical mass of investors prioritizes ESG, corporate cooperation increases, which in turn reduces climate risks and enhances long-term financial stability. Additionally, providing more information about global climate risks encourages companies to invest more in mitigation, even without investor involvement. Our findings align with empirical research using real-world data, highlighting MARL's potential to inform policy by providing insights into large-scale socio-economic challenges through efficient testing of alternative policy and market designs.
• Abstract（参考訳）: InvestESGは、環境、社会、ガバナンス(ESG)が企業の気候投資に与える影響を研究するために設計された、新しいマルチエージェント強化学習(MARL)ベンチマークである。 PyTorchとGPUが加速するJAXフレームワークのサポートにより、このベンチマークは、企業が気候緩和努力による短期的な利益損失と気候リスクの低減による長期的な利益のバランスをとるという、一時的な社会的ジレンマをモデル化する。 企業は、温暖化、温暖化、レジリエンスにまたがる資本を割り当てており、様々な戦略が気候の結果や投資家の好みに影響を与える。 我々の実験は、十分な資本を持つESGを意識した投資家がいなければ、開示委任統治下での企業緩和努力は限定的であることを示している。 しかし、重要な投資家がESGを優先すると、企業協力が増加し、気候リスクが減少し、長期的な金融安定が向上する。 さらに、グローバルな気候リスクに関するより多くの情報を提供することで、投資家が関与しなくても、企業は緩和により多くの投資をすることができる。 本研究は、実世界のデータを用いた実証研究と一致し、代替政策と市場デザインの効率的なテストを通じて、大規模社会経済的課題に対する洞察を提供することにより、MARLが政策を通知する可能性を強調した。

関連論文リスト

• Assessing Climate Transition Risks in the Colombian Processed Food Sector: A Fuzzy Logic and Multicriteria Decision-Making Approach [0.19791587637442667]
  本研究は,コロンビアの加工食品部門における主な気候変動リスクを特定し,評価する。 遷移リスクは曖昧であるので、我々の手法はファジィ論理を使い、様々な複数基準の意思決定手法と比較する。
  論文  参考訳（メタデータ） (2024-04-13T21:49:49Z)
• WESE: Weak Exploration to Strong Exploitation for LLM Agents [95.6720931773781]
  本稿では,オープンワールド対話型タスクの解法において,LLMエージェントの強化を目的としたWeak Exploration to Strong Exploitation (WESE)を提案する。 WESEは、探究と搾取のプロセスを分離し、費用対効果の弱いエージェントを用いて世界的知識の探索を行う。 次に、獲得した知識を格納し、タスク関連知識を抽出する知識グラフベースの戦略を導入する。
  論文  参考訳（メタデータ） (2024-04-11T03:31:54Z)
• Prioritizing Safeguarding Over Autonomy: Risks of LLM Agents for Science [65.77763092833348]
  大規模言語モデル(LLM)を利用したインテリジェントエージェントは、自律的な実験を行い、様々な分野にわたる科学的発見を促進する上で、大きな可能性を証明している。 彼らの能力は有望だが、これらのエージェントは安全性を慎重に考慮する必要がある新たな脆弱性も導入している。 本稿では,科学領域におけるLSMをベースとしたエージェントの脆弱性の徹底的な調査を行い,その誤用に伴う潜在的なリスクに光を当て,安全性対策の必要性を強調した。
  論文  参考訳（メタデータ） (2024-02-06T18:54:07Z)
• AI For Global Climate Cooperation 2023 Competition Proceedings [77.07135605362795]
  国際機関が国際気候協定の遵守を保証できない。 RICE-NはAIエージェントを使用した地域意思決定のモデリングをサポートする。 IAMは、これらの決定の気候・経済的な影響を未来にモデル化する。
  論文  参考訳（メタデータ） (2023-07-10T20:05:42Z)
• Machine Learning for Socially Responsible Portfolio Optimisation [0.0]
  社会的責任を持つ投資家は、金融リターンとともに社会と環境の進歩を促すために投資ポートフォリオを構築する。 この研究は、社会的責任を持つ投資家のためのポートフォリオ最適化を実装している。
  論文  参考訳（メタデータ） (2023-05-21T06:28:53Z)
• Revealing Robust Oil and Gas Company Macro-Strategies using Deep Multi-Agent Reinforcement Learning [0.0]
  エネルギー移行は、低炭素のビジネスモデルに適応できない場合、主要な国際石油会社(IOC)に存在リスクをもたらす可能性がある。 我々は,IOCの意思決定をシミュレートするエネルギーシステムウォーゲームにおいて,深層マルチエージェント強化学習を用いた。 戦略は、初期の移行指向のムーブメントの結果、低炭素のビジネスモデルの形で現れた。
  論文  参考訳（メタデータ） (2022-11-20T17:52:59Z)
• AI for Global Climate Cooperation: Modeling Global Climate Negotiations, Agreements, and Long-Term Cooperation in RICE-N [75.67460895629348]
  n個の戦略エージェントによる気候変動緩和に関する長期的な協力は、複雑なゲーム理論の問題を引き起こす。 地球温暖化と経済をシミュレートするマルチリージョン統合アセスメントモデルであるRICE-Nを紹介する。 本稿では,多エージェント強化学習を用いて理性エージェントをRICE-Nで訓練する方法について述べる。
  論文  参考訳（メタデータ） (2022-08-15T04:38:06Z)
• Heterogeneous Ensemble for ESG Ratings Prediction [1.9659095632676094]
  投資家は環境、社会、ガバナンスの側面に沿って評価を発行する専門格付け機関に頼っている。 評価機関は、すべての会社が提供するものではなく、サステナビリティレポートの主観評価に基づく分析を行っている。 基礎データを用いてESG評価の予測を行うヘテロジニアスアンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2021-09-21T10:42:24Z)
• Estimation of Corporate Greenhouse Gas Emissions via Machine Learning [1.3190581566723916]
  欧州委員会は2021年4月に最も野心的な気候変動対策を採択した。 世界中の企業のカーボンフットプリントを見る能力は、投資家にとってこの措置に従うことが重要だ。 公表された温室効果ガス排出量に関する機械学習モデルをトレーニングすることにより、排出を公表していない他の企業の排出量を世界規模で推定することができる。
  論文  参考訳（メタデータ） (2021-09-09T14:50:26Z)
• Automated Identification of Climate Risk Disclosures in Annual Corporate Reports [62.997667081978825]
  機械学習を使って、5種類の気候関連リスクを特定します。 ヨーロッパ企業による120以上の年次レポートを手作業で作成しました。
  論文  参考訳（メタデータ） (2021-08-03T11:14:05Z)
• Analyzing Sustainability Reports Using Natural Language Processing [68.8204255655161]
  近年、企業は環境への影響を緩和し、気候変動の状況に適応することを目指している。 これは、環境・社会・ガバナンス(ESG)の傘下にある様々な種類の気候リスクと暴露を網羅する、ますます徹底した報告を通じて報告されている。 本稿では,本稿で開発したツールと方法論について紹介する。
  論文  参考訳（メタデータ） (2020-11-03T21:22:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。