ESG与气候风险数据长期分散在范围1、范围2和范围3等异构报告环境中，传统验证流程往往缺乏来源感知的可审计性、隐藏漂移检测以及面向可复现性的治理机制。针对这一问题，一篇新预印本论文提出了一个确定性的气候风险智能框架，旨在将碎片化的ESG数据转化为可审计、可解释且可复现的验证流程。该研究由Karan Sehgal等作者完成，于2026年5月23日提交至arXiv，属于机器学习与人工智能交叉领域。
论文的核心思路是围绕“单一事实来源”构建确定性编排层，确保数据从采集到验证的每一步都有清晰的来源记录。在此基础之上，框架融合了多项技术组件：时间异常检测用于捕捉数据中的隐藏漂移，基于SMOTE的稀有事件优化解决ESG数据中异常样本稀少导致的类别不平衡问题，集成学习提升分类稳定性，而TreeSHAP则提供可解释性，使治理人员能够追溯模型决策依据并重建审计路径。
为了支持开放复现，研究团队构建并发布了一个合成ESG验证基准，该基准依据GHG Protocol、PCAF和ISSB等公开报告标准的关键特征进行校准。这一基准的发布有助于研究社区在统一条件下比较不同验证方法的性能，同时避免直接使用敏感的企业实际数据。
在评估方面，作者将所提框架与统计分类器、异常检测方法、时间预测基线以及基于阈值的系统进行了对比。评估指标不仅包括召回率、F1分数和ROC AUC等分类指标，还引入了ECE和Brier score等校准指标，以及一个治理导向的“审计轨迹完整性”指标。该指标衡量的是，在被标记的异常中，有多大比例能够重建从确定性来源到升级处理的完整溯源链。结果以分层五折交叉验证的均值和标准差报告，并进行了配对显著性检验。
总体而言，这项研究将ESG报告重新定位为确定性的气候风险治理基础设施，强调可复现性、可解释性和操作层面的可审计性。论文共22页、含7幅图，以预印本形式发布，相关代码与基准数据有望推动ESG验证领域的透明化与标准化进程。