首个Mamba地表预测遗忘框架，混杂消减率最高达0.859！
State-Space Unlearning for Non-Stationary Bias in Land Surface Forecasting
📖 AI 总结
该论文针对基于Mamba族结构化状态空间模型的地表预测系统提出了一种机器遗忘框架SSU-LSF。此类系统会将未记录的灌溉扩张、大坝调度变化、传感器重校准等非平稳混杂事件悄然吸收进状态转移矩阵，在物理成因消失后仍长期污染NDVI、地表温度和作物物候预测。SSU-LSF通过闭式矩阵指数梯度构造适配Mamba状态矩阵的EKFac影响函数，利用谱半径加权肘部阈值定位时间混杂足迹，并在KL散度信赖域内结合空间全变差正则执行无Hessian投影梯度上升。理论分析给出残差混杂的上界，表明其随窗口长度增长。在三个异构基准和十一个基线上，该方法混杂削减率分别达0.773、0.821和0.859，最坏情况下干净域RMSE仅退化4.2%，且3至5轮即收敛，单次遗忘请求的GPU成本比全量重训练低8.4倍。该工作首次将机器遗忘引入地球科学领域的Mamba模型，为运行中的地表预测系统提供了一种低成本纠偏路径。
🔑 关键词速览
| SSU-LSF | 本文提出的首个面向地球科学中基于 Mamba 的状态空间模型的地表预测机器遗忘框架。 |
| Mamba | 一类结构化状态空间模型，以选择性状态转移机制高效建模长序列，常用于时序预测。 |
| EKFac 影响函数 | 一种基于特征分解的 Kronecker 因子化影响函数，用于估计训练样本对模型参数的影响。 |
| 谱半径加权肘部阈值法 | 利用状态矩阵谱半径对影响分数加权，并通过肘部法则确定阈值以定位混杂时间窗口的方法。 |
| 空间全变分正则化 | 一种鼓励相邻空间位置预测平滑一致的正则项，用于抑制遗忘过程中的空间噪声。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅