群推理排放估估网络

准确的温室气体（GHG）排放报告对政府、企业和投资者至关重要。然而，由于高昂的实施成本、碎片化的排放因子数据库以及缺乏稳健的行业分类方法，采用率仍有限，尤其是小型和中型企业。为解决这些挑战，我们引入了群推理排放估估网络（Group Reasoning Emission Estimation Networks, GREEN），这是一种由AI驱动的碳会计框架，标准化企业级排放估计，构建大规模基准数据集，并利用大型语言模型（LLM）的一种新颖推理方法。具体而言，我们为20,850家公司编译了经验证的北美行业分类系统（NAICS）标签的文本描述，并将其与碳强度因子的经济模型对齐。通过将行业分类重新框定为信息检索任务，我们使用对比学习损失函数微调Sentence-BERT模型。为克服单阶段模型在处理数千个层次分类方面的限制，我们提出了一种群推理方法，通过基于自然NAICS本体的ensemble LLM分类器，将任务分解为多个子分类步骤。我们理论证明，这种方法减少了分类不确定性和计算复杂度。在1,114个NAICS分类任务上的实验结果显示，达到最先进水平（Top-1 83.68%，Top-10 91.47%准确率），20家企业的案例研究报告平均绝对百分比误差（MAPE）为45.88%。该项目地址：https://huggingface.co/datasets/Yvnminc/ExioNAICS。