論文の概要: EmeraldMind: A Knowledge Graph-Augmented Framework for Greenwashing Detection

• arxiv url: http://arxiv.org/abs/2512.11506v2
• Date: Mon, 15 Dec 2025 07:14:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 15:10:29.264094
• Title: EmeraldMind: A Knowledge Graph-Augmented Framework for Greenwashing Detection
• Title（参考訳）: EmeraldMind:グリーンウォッシング検出のための知識グラフ拡張フレームワーク
• Authors: Georgios Kaoukis, Ioannis Aris Koufopoulos, Eleni Psaroudaki, Danae Pla Karidi, Evaggelia Pitoura, George Papastefanatos, Panayiotis Tsaparas,
• Abstract要約: エメラルドミンド(EmeraldMind)は、グリーンウォッシング検出を自動化するために、ドメイン固有の知識グラフと検索拡張生成を統合したファクト中心のフレームワークである。 このフレームワークは正当化中心の分類を提供し、透明で証拠に支えられた評決を示し、クレームが検証できない場合に責任を負う。
• 参考スコア（独自算出の注目度）: 3.5657565086740757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As AI and web agents become pervasive in decision-making, it is critical to design intelligent systems that not only support sustainability efforts but also guard against misinformation. Greenwashing, i.e., misleading corporate sustainability claims, poses a major challenge to environmental progress. To address this challenge, we introduce EmeraldMind, a fact-centric framework integrating a domain-specific knowledge graph with retrieval-augmented generation to automate greenwashing detection. EmeraldMind builds the EmeraldGraph from diverse corporate ESG (environmental, social, and governance) reports, surfacing verifiable evidence, often missing in generic knowledge bases, and supporting large language models in claim assessment. The framework delivers justification-centric classifications, presenting transparent, evidence-backed verdicts and abstaining responsibly when claims cannot be verified. Experiments on a new greenwashing claims dataset demonstrate that EmeraldMind achieves competitive accuracy, greater coverage, and superior explanation quality compared to generic LLMs, without the need for fine-tuning or retraining.
• Abstract（参考訳）: AIとWebエージェントが意思決定において普及するにつれて、持続可能性を支援するだけでなく、誤情報を防ぐインテリジェントなシステムを設計することが重要となる。 グリーンウォッシング(グリーンウォッシング)、すなわち企業サステナビリティの主張を誤解させるものは、環境の進歩に大きな課題をもたらす。 この課題に対処するために,ドメイン固有の知識グラフと検索拡張生成を統合し,グリーンウォッシング検出を自動化するファクト中心のフレームワークであるEmeraldMindを紹介した。 EmeraldMindは、様々な企業ESG(環境、社会、ガバナンス)レポートからエメラルドグラフを構築し、検証可能な証拠を指摘し、しばしば一般的な知識基盤に欠けていること、請求評価において大きな言語モデルをサポートする。 このフレームワークは正当化中心の分類を提供し、透明で証拠に支えられた評決を示し、クレームが検証できない場合に責任を負う。 新しいグリーンウォッシングクレームデータセットの実験により、EmeraldMindは、微調整や再トレーニングを必要とせずに、ジェネリックLLMと比較して、競争精度、カバレッジ、優れた説明品質を達成できることを示した。

関連論文リスト

• ReliabilityRAG: Effective and Provably Robust Defense for RAG-based Web-Search [69.60882125603133]
  本稿では,検索した文書の信頼性情報を明確に活用する,敵対的堅牢性のためのフレームワークであるReliabilityRAGを提案する。 我々の研究は、RAGの回収されたコーパスの腐敗に対するより効果的で確実に堅牢な防御に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2025-09-27T22:36:42Z)
• DeepGreen: Effective LLM-Driven Green-washing Monitoring System Designed for Empirical Testing -- Evidence from China [0.9999629695552195]
  DeepGreenはファイナンシャルステートメントの潜在的なグリーンキーワードを事前に識別し、実装の度合いを評価する。 我々は、Aシェア市場から3年間に68社のうち204社を抽出し、89,893語をDeepGreenを通じて分析した。 我々は,ヴァイオリンプロットとK平均クラスタリングに支えられ,Huazheng ESG評価に対する知見を明らかにし,その妥当性を検証した。
  論文  参考訳（メタデータ） (2025-04-10T13:29:07Z)
• AIJIM: A Scalable Model for Real-Time AI in Environmental Journalism [0.0]
  AIJIMは、リアルタイムAIを環境ジャーナリズムに統合するためのフレームワークである。 2024年にマルロルカ島で試験飛行を行った。 検出精度85.4%、専門家のアノテーションとの89.7%の合意に達した。
  論文  参考訳（メタデータ） (2025-03-19T19:00:24Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• Towards Robust ESG Analysis Against Greenwashing Risks: Aspect-Action Analysis with Cross-Category Generalization [27.060978828050352]
  A3CGは、グリーン洗浄の流行の中でESG分析の堅牢性を改善するための新しいデータセットである。 A3CGは、サステナビリティの側面と関連するアクションを明示的に関連付けることにより、サステナビリティのクレームをよりきめ細かな透明な評価を促進する。 これにより、企業がレポートを変更して一定のサステナビリティ領域を選択的に好む場合であっても、アスペクトアクション分析における堅牢なモデルパフォーマンスが保証される。
  論文  参考訳（メタデータ） (2025-02-20T03:01:08Z)
• Corporate Greenwashing Detection in Text - a Survey [5.958302080525902]
  グリーンウォッシング(Greenwashing)とは、国家や企業などの環境への影響を国民に誤解させる取り組みである。 本稿では,グリーンウォッシングを識別するための自然言語処理手法に関する科学的文献を包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-11T13:28:56Z)
• Towards Trustworthy Retrieval Augmented Generation for Large Language Models: A Survey [92.36487127683053]
  Retrieval-Augmented Generation (RAG)は、AIGC(AIGC)の課題に対処するために設計された高度な技術である。 RAGは信頼性と最新の外部知識を提供し、幻覚を減らし、幅広いタスクで関連するコンテキストを保証する。 RAGの成功と可能性にもかかわらず、最近の研究により、RAGパラダイムはプライバシーの懸念、敵対的攻撃、説明責任の問題など、新たなリスクももたらしていることが示されている。
  論文  参考訳（メタデータ） (2025-02-08T06:50:47Z)
• Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
  最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。 我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。 また,有効で堅牢な後処理技術であるBias Pruning with Fair Activations (BPFA)も提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:53:18Z)
• Byzantine-Robust Learning on Heterogeneous Data via Gradient Splitting [58.91947205027892]
  フェデレーテッド・ラーニングはビザンツの攻撃に対する脆弱性を示している。 ビザンティン攻撃者は、任意の勾配を中央サーバに送ることで、グローバルモデルの収束と性能を破壊することができる。 アグレゲーション・ルール(AGR)は、ビザンツの攻撃から守るために提案されている。
  論文  参考訳（メタデータ） (2023-02-13T03:31:50Z)

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。