본 논문은 AI 기반 탄소 회계 프레임워크인 GREEN(Group Reasoning Emission Estimation Networks)을 제시한다. GREEN은 높은 구현 비용, 단편적인 배출 계수 데이터베이스, 부족한 부문 분류 방법 등으로 인해 중소기업의 온실가스 배출 보고 채택이 제한적인 문제를 해결하기 위해 고안되었다. 20,850개 기업의 텍스트 설명과 검증된 NAICS(North American Industry Classification System) 레이블을 활용하여 탄소 강도 요소의 경제 모델과 연계하고, 부문 분류를 정보 검색 과제로 재구성하여 Sentence-BERT 모델을 대조 학습 손실을 사용하여 미세 조정한다. 계층적 범주를 처리하는 단일 단계 모델의 한계를 극복하기 위해 NAICS 온톨로지 기반의 LLM 분류기를 앙상블하는 그룹 추론 방법을 제안하여 과제를 여러 하위 분류 단계로 분해한다. 이를 통해 분류 불확실성과 계산 복잡성을 줄임을 이론적으로 증명하고, 1,114개의 NAICS 범주에 대한 실험에서 최첨단 성능(Top-1 정확도 83.68%, Top-10 정확도 91.47%)을 달성했다. 20개 기업에 대한 사례 연구에서는 평균 절대 백분율 오차(MAPE)가 45.88%로 나타났다. 프로젝트는 https://huggingface.co/datasets/Yvnminc/ExioNAICS 에서 확인 가능하다.
