ESG-Graph: Hierarchical Residual Graph Attention Network with Analyst-Defined ESG Taxonomy

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

🔬研究者:This paper provides a novel graph-based approach for ESG text classification that is both efficient and interpretable, offering a promising direction for future research in green AI for sustainable finance.

🏢実務担当者:The ESG-Graph framework can be adopted by companies to classify ESG disclosures with lower computational cost, supporting sustainability reporting efforts.

🏛政策担当者:The integration of ESRS taxonomy into the model demonstrates how regulatory standards can be operationalized, which could inform the design of disclosure frameworks.

環境・社会・ガバナンス（ESG）テキスト分類は、サステナブルファイナンスにおける応用にとって重要である。しかし、ドメイン固有の用語や規制上の制約により、依然として困難なタスクである。トランスフォーマーベースのモデルは高い予測性能を達成する一方で、しばしば高いエネルギーコストを招き、解釈可能性が限られる。これらの限界に対処するため、我々はESG開示をモデル化するための軽量かつ解釈可能なグラフベースのフレームワークであるESG-Graphを導入する。本アプローチでは、各文がトークンレベルの依存関係グラフとして表現され、欧州サステナビリティ報告基準（ESRS）ベースのタクソノミーから初期化された仮想ノードが追加され、再学習なしで新しいESG概念を追加できるようにする。トランスフォーマーエンコーダの代わりに多層グラフアテンションネットワークが使用され、文法構造とドメイン意味論を共同でモデル化できる。3つのESGベンチマークデータセットでの実験により、ESG-Graphは効率的なトランスフォーマーベースラインに匹敵する性能を達成しつつ、最大60倍少ないエネルギー消費と10倍少ないパラメータ数で動作することが示された。追加のアトリビューションおよびアブレーション研究は、本手法の政策整合性、解釈可能性、および頑健性を示唆している。

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。

Environmental, Social, and Governance (ESG) text classification is important for applications in sustainable finance. However, it remains a challenging task due to domain terminology and regulatory constraints. While transformer-based models achieve strong predictive performance, they often lead to high energy costs and provide limited interpretability. To address these limitations, we introduce ESG-Graph, a lightweight and interpretable graph-based framework for modeling ESG disclosures. In our approach, each sentence is represented as a token-level dependency graph augmented with virtual nodes initialized from a European Sustainability Reporting Standards (ESRS)-based taxonomy, enabling the addition of new ESG concepts without retraining. A multi-layer Graph Attention Network is used instead of transformer encoders, allowing grammatical structure and domain semantics to be modeled jointly. Experiments on three ESG benchmark datasets show that ESG-Graph achieves performance comparable to efficient transformer baselines while consuming up to 60× less energy and using 10× fewer parameters. Additional attribution and ablation studies suggest the method’s policy alignment, interpretability, and robustness.

• semanticscholar https://www.mdpi.com/2227-7080/14/5/258/pdf?version=1777106720first seen 2026-05-15 18:38:47 · last seen 2026-08-08 05:41:24