SSU-LSF 框架实现基于 Mamba 的地理科学模型非平稳偏差“遗忘”，GPU 成本降低 8.4 倍

一句话结论

SSU-LSF 通过专用机器遗忘算法消除土地表面预测中非平稳干扰偏差，GPU 成本较全量重训降低 8.4 倍。

关键要点

• 该框架针对 Mamba 状态空间模型设计，可移除灌溉突变、传感器重校准等物理性干扰留下的隐性偏差。
• 采用闭式矩阵指数梯度推导 EKFac 影响函数，结合谱半径加权肘部阈值法定位时间干扰足迹。
• 在三个基准上干扰消除率达 0.773–0.859，最坏情况下干净域 RMSE 退化控制在 4.2% 以内。
• 每个遗忘请求仅需 3–5 个 epoch 收敛，GPU 计算成本比全量重训练低 8.4 倍。
• 残差干扰理论上界随时间窗长度 T_c 增大而增长，提示长期累积干扰需更严格控制。

背景与事实

这项研究由机器科学与机器学习领域团队提出，论文于 2026 年 9 月 30 日提交至 arXiv 预印本平台，编号为 2610.02248。背景源于当前运行中的土地表面预测系统普遍依赖 Mamba 家族结构化状态空间模型（Structured State Space Model，SSM）。这类模型在吸收历史数据时，会把非平稳的混杂事件——例如未记录的灌溉激增、水库调度策略变更、传感器重新校准——默默嵌入状态转移矩阵，导致归一化差异植被指数（NDVI）、地表温度（LST）及作物物候预测在物理原因结束后仍持续存在偏差。

为回应这一痛点，研究团队开发了 SSU-LSF（State-Space Unlearning for Land Surface Forecasting），这是首个专为地理科学 Mamba 模型定制的机器遗忘框架。其技术路径分三步：首先利用针对 Mamba 状态矩阵定制的 EKFac 影响函数，通过闭式矩阵指数梯度计算干扰贡献；其次以谱半径加权肘部阈值法定位时间维度上的干扰足迹 Φ；最后在附加空间全变差（TV）正则化的 KL 散度信任域内，执行免 Hessian 的投影梯度上升以完成参数修正。

在性能验证上，研究团队在 CropHarvest、NDVI-LST 和 ERA5 三个异质基准数据集上对比了 11 种基线方法，SSU-LSF 的干扰消除率分别为 0.773、0.821 和 0.859；最坏情况下 ERA5 干净域 RMSE 退化仅为 4.2%。收敛效率方面，每次遗忘请求平均 3–5 个 epoch 即达标，GPU 成本相比全量重训练降低 8.4 倍。公式推导中的命题 1 证明残差干扰的量级上界为 O(((1−ρ(Ā))^Tc)/((1−ρ(Ā))μ))，随窗口长度 T_c 增大而增长，表明长期连续干扰会放大残余误差。

影响分析

对中文地理空间开发者与遥感从业者而言，这一结果具有直接工程价值。当前许多国内土地表面预测平台正从 LSTM/GRU 向 Mamba 类架构迁移，而模型上线后频繁遭遇传感器换代、气象站改造等突发数据分布漂移，以往只能全量重训，周期长达数天且成本高昂。SSU-LSF 提供的“局部遗忘”方案允许在 3–5 个 epoch 内定点清除干扰，意味着运维团队可将响应时间从天级压缩到小时级，且 GPU 预算节省超过 8 倍。对于使用 Mamba 模型做作物监测、灾害预警的团队，该框架可直接嵌入现有推理管线，无需改动模型主体结构。需要明确的是，以上收益基于论文报告的基准与设置，实际项目中干扰类型、数据粒度不同，消除率与成本比值可能存在偏差。

适用边界

该框架专门适配 Mamba 家族 SSM 架构，依赖其状态转移矩阵的代数结构来推导闭式梯度，因此不能直接迁移到 Transformer、CNN 或非结构化 RNN 模型。若目标模型未采用 Mamba 的状态空间形式，EKFac 影响函数的闭式解不成立，必须重新设计影响函数与阈值策略。此外，干扰足迹假设在时间维度上局部可定位；当干扰是全局性、贯穿整个训练窗口的系统性偏置（如传感器型号整体更换且新旧数据连续交替）时，肘部阈值法可能失效，TV 正则化的空间先验也可能引入新的偏差。

孤本观察

从编辑视角判断，SSU-LSF 的核心价值不在于“遗忘”这一概念本身，而在于它把机器遗忘从 NLP 安全领域移植到地理科学 Mamba 模型时，找到了可解析的矩阵指数梯度作为桥梁——这一设计决定了它能否以 8.4 倍成本优势落地，是当前此类跨领域移植中少见的理论完备案例。

来源：arXiv cs.LG