Zespół badawczy zaproponował kompleksowy framework do analizy ryzyka klimatycznego, który rozwiązuje problem fragmentaryzacji danych ESG rozproszczonych w różnych systemach raportowania emisji gazów cieplarnianych. Tradycyjne podejścia do walidacji takich danych brakuje klarowności pochodzenia informacji, nie potrafią wykrywać ukrytych zmian w charakterze danych i nie gwarantują powtarzalności wyników — to wszystko kluczowe dla procesów audytowych.
NowaŻytkowani framework łączy kilka zaawansowanych technik. Obejmuje determinystyczną orkiestrację danych, temporal anomaly detection do wykrywania zmian w czasie, oraz ensemble learning skalibrowane dla rzadkich zdarzeń (używając SMOTE). Kluczową innowacją jest podejście provenance-aware — każdy flagowany problem można prześledzić do konkretnego źródła i ścieżki eskalacji. Do interpretacji modeli wykorzystano TreeSHAP, co pozwala audytorom zrozumieć, dlaczego system podjął daną decyzję.
Badacze stworzyli i udostępnili syntetyczny benchmark kalibrowany na podstawie prawdziwych charakterystyk standardów GHG Protocol, PCAF i ISSB. Ewaluacja framework pokazuje jego przewagę w recall, F1-score i AUC-ROC w porównaniu z klasycznymi klasyfikatorami i metodami detekcji anomalii. Szczególnie istotna jest nowa metryka audit trace completeness, mierząca odsetek anomalii, dla których można zrekonstruować pełny łańcuch pochodzenia — to bezpośrednio wspiera compliance i przejrzystość raportowania ESG.