arXiv cs.LG·28 天前★ 2

面向地表预测的Mamba状态空间遗忘框架

原文标题：State-Space Unlearning for Non-Stationary Bias in Land Surface Forecasting

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文提出SSU-LSF，首个专为地球科学Mamba状态空间模型设计的机器遗忘框架，用于消除非平稳混杂事件（如未记录的灌溉激增、大坝调度变化）对NDVI、地表温度和作物物候预测的隐性偏差。方法结合EKFac影响函数、谱半径加权肘部阈值定位与KL信赖域内的无Hessian投影梯度上升。在三个基准上混杂削减率达0.773-0.859，干净域RMSE最差仅退化4.2%，GPU成本比全量重训低8.4倍。

论文速读 · 四段结构cs.LG代码仓库 ↗去论文速读 →

问题: 地表预测的 Mamba 模型会把非平稳混杂事件吸入状态矩阵，长期隐性偏差。
方法: SSU-LSF：用适配 Mamba 状态矩阵的 EKFac 影响函数定位混杂足迹，在 KL 信赖域内做无 Hessian 投影梯度上升，配空间 TV 正则。
结果: 混杂削减率 0.773/0.821/0.859，干净域 RMSE 最差退化 4.2%，GPU 成本比全量重训低 8.4 倍。
影响: 让已部署的地表预测模型能低成本修正数据污染，无需重训即可恢复精度。