新上线今天0 投票
Mamba 状态空间模型也能「遗忘」：SSU-LSF 框架精准剥离地表预测中的非平稳偏差
当模型「记住」了不该记住的事
基于 Mamba 家族结构化状态空间模型（SSM）的地表预测系统，正在成为遥感与地球科学领域的重要工具。但这类模型有一个隐蔽的缺陷：它们会把非平稳的干扰事件——比如未记录的灌溉扩张、水库调度变化、传感器重新校准——悄悄吸收进自己的状态转移矩阵中。
问题在于，即使这些物理原因早已结束，模型仍会持续输出被污染的 NDVI（植被指数）、LST（地表温度）和作物物候预测。换句话说，模型「记住」了一个已经不存在的事件，并让这个记忆长期扭曲预测结果。
SSU-LSF：为地球科学 SSM 定制的机器遗忘框架
论文 arXiv:2610.02248v1 提出了 SSU-LSF（State-Space Unlearning for Land Surface Forecasting），作者称这是首个专为地球科学领域 Mamba 类状态空间模型设计的机器遗忘框架。
其技术路线包含几个关键组件：
- EKFac 影响函数：通过闭式矩阵指数梯度，专门适配 Mamba 状态矩阵，用于识别哪些参数受到了干扰事件的影响。
- 谱半径加权肘部阈值法：定位时间维度上的混淆足迹 $\Phi$，即干扰事件在时间上的影响范围。
- 无 Hessian 投影梯度上升：在 KL 散度信任域内执行，并加入空间全变差（TV）正则化，确保遗忘过程不会破坏空间结构的连续性。
论文还给出了 命题 1：残余混淆量被限制在 $\mathcal{O}\big((1-\rho(\bar{A})^{T_c})/((1-\rho(\bar{A}))\mu)\big)$ 的范围内，该上界随窗口长度 $T_c$ 增长。
实测效果：最高 0.859 的混淆削减率
在三个异构基准和十一个基线方法的对比中，SSU-LSF 表现如下：
- CropHarvest：混淆削减率 0.773
- NDVI-LST：混淆削减率 0.821
- ERA5：混淆削减率 0.859
在干净域上，最差情况的 RMSE 退化仅为 4.2%（ERA5）。整个遗忘过程只需 3–5 个 epoch 即可收敛，每次遗忘请求的 GPU 成本比完整重训练低 8.4 倍。
为什么这件事重要
在 AI 行业语境下，这项研究触及了两个前沿方向的交汇：
- 机器遗忘（Machine Unlearning）：此前主要应用于隐私保护（如让模型「忘记」特定用户数据），而 SSU-LSF 将其扩展到环境偏差修正——让模型忘记不再成立的物理干扰。
- 状态空间模型的地球科学落地：Mamba 类模型因线性复杂度在处理长时序遥感数据时具备优势，但其状态矩阵的「记忆惯性」也带来了新的可信性挑战。
对于依赖地表预测进行农业估产、干旱监测和水资源管理的业务系统而言，SSU-LSF 提供了一条低成本、可局部化的偏差修正路径，而无需对整个模型进行代价高昂的重新训练。
论文代码已公开，具体链接可在 arXiv 页面获取。
