論文の概要: State-Space Unlearning for Non-Stationary Bias in Land Surface Forecasting

• arxiv url: http://arxiv.org/abs/2610.02248v1
• Date: Wed, 30 Sep 2026 18:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.01338
• Title: State-Space Unlearning for Non-Stationary Bias in Land Surface Forecasting
• Title（参考訳）: 土地表面予測における非定常バイアスの状態空間アンラーニング
• Abstract要約: 本稿では,SSU-LSF(State-Space Unlearning for Land Surface Forecasting)を紹介する。 我々は,マンバ状態行列に特有なEKFac影響関数を,閉形式行列指数勾配を用いて開発し,スペクトル重み付き肘しきい値を用いて時間的共起フットプリントを局在させ,空間的全偏差(TV)正規化により拡張されたKL偏差信頼領域内にヘッセンフリー射影勾配を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Operational land surface forecasting systems built on Mamba-family Structured State Space Models absorb non-stationary confounding events (unrecorded irrigation booms, dam-operation shifts, sensor recalibrations) into their state-transition matrices, silently biasing NDVI, LST, and crop phenology predictions long after the physical cause ends. This paper introduces SSU-LSF (State-Space Unlearning for Land Surface Forecasting), the first machine-unlearning framework purpose-built for geoscientific Mamba-based SSMs. We develop EKFac influence functions specialized to the Mamba state matrices via a closed-form matrix-exponential gradient, use spectral-radius-weighted elbow thresholding to localize a temporal confounding footprint $Φ$, and apply Hessian-free projected gradient ascent within a KL-divergence trust region augmented by spatial total-variation (TV) regularization. Proposition 1 establishes that residual confounding is bounded by $\mathcal{O}\big((1-ρ(\bar{A})^{T_c})/((1-ρ(\bar{A}))μ)\big)$, which grows with the window length $T_c$. Across three heterogeneous benchmarks and eleven baselines, SSU-LSF achieves confounding reduction rates of $0.773$ (CropHarvest), $0.821$ (NDVI-LST), and $0.859$ (ERA5), with worst-case clean-domain RMSE degradation of $4.2\%$ on ERA5, converging in 3--5 epochs at $8.4\times$ lower GPU-cost per unlearning request than full retraining. Code: https://github.com/Anidipta/SSU-LSF
• Abstract（参考訳）: マンバ族の構造的国家空間モデルに基づいて構築された運用用土地表面予測システムは、物理的原因が終わってからずっと経つうちに、非定常的なコンファウンディングイベント(灌水ブーム、ダム操作シフト、センサリカレーション)を彼らの状態遷移行列に吸収し、NDVI、LST、作物の表現学予測を静かにバイアスする。 本稿では,SSU-LSF(State-Space Unlearning for Land Surface Forecasting)を紹介する。 本研究では, クローズド形式行列-指数勾配を用いて, マンバ状態行列に特有なEKFac影響関数を開発し, スペクトル半径重み付き肘のしきい値を用いて, 空間全偏差(TV)正則化により増強されたKL偏差信頼領域内にヘッセンフリー射影勾配を印加する。 命題1は、剰余共役は$\mathcal{O}\big((1-ρ(\bar{A})^{T_c})/((1-ρ(\bar{A})μ)\big)$で有界であり、これは窓の長さ$T_c$で成長する。 3つの異種ベンチマークと11のベースラインで、SSU-LSFは0.773$(CropHarvest),$0.821$(NDVI-LST),$0.859$(ERA5),最悪のクリーンドメインRMSE劣化率4.2\%(ERA5では3-5 epochsが8.4\times$)、フルリトレーニングよりも低いGPUコストで収束する。 コード:https://github.com/Anidipta/SSU-LSF

関連論文リスト

• Multi-Modal Spatio-Temporal Graph Neural Network with Mixture of Experts for Soil Organic Carbon Prediction [0.0]
  既存のアプローチでは、手作りのコモーダルを古典的なMLとペアリングするか、豊富なスペクトルと時間情報を見逃す単一モードのディープモデルである。 本稿では,SpTGNNとグリッドベースアーキテクチャの両方に対処するマルチテンポラルグラフニューラルネットワークであるSpTG-NNを紹介する。 微調整されたTerraMindエンコーダは、Sentinel-2、Sentinel-1、DEM信号からノード特徴を抽出する。
  論文  参考訳（メタデータ） (2026-06-15T11:25:38Z)
• How Neural Reward Models Learn Features for Policy Optimization: A Single-Index Analysis [53.063298916923976]
  r*(x) = *(langle *, xrangle)$ と $x sim N(0, I_d)$ でガウスの単一インデックスモデルでフィードバックを研究する。 まず、報酬重み付きサンプルから隠れた方向を*$で学習し、次に重み付きリッジ回帰により読み出し層に適合する2段階のニューラル報酬モデルを分析する。
  論文  参考訳（メタデータ） (2026-05-23T22:00:38Z)
• FLUIDSPLAT: Reconstructing Physical Fields from Sparse Sensors via Gaussian Primitives [31.072122193693854]
  センサ条件付きモデルであるFLUIDSPLATを導入する。 標準的なシリンダーフローベンチマークでは、FLUIDSPLATは全ての表面センサレイアウトで最高の平均誤差を達成する。
  論文  参考訳（メタデータ） (2026-05-15T09:10:02Z)
• Total Generalized Variation regularization closes the gap between neural-eld and classical methods in seismic travel-time tomography [0.0]
  トモグラフィーはメッシュ分解能と安定性のトレードオフを強制し、レギュレータの選択が回復可能なものを支配します。 本稿では,Fourier-Feature Neural Networkとして,2次元速度場を表す差別化可能なフレームワークMIMIRを紹介する。
  論文  参考訳（メタデータ） (2026-05-11T04:13:52Z)
• Topological Characterization of Churn Flow and Unsupervised Correction to the Wu Flow-Regime Map in Small-Diameter Vertical Pipes [0.0]
  特徴曲面(ECS)を用いた最初のトポロジに基づく特徴評価手法を提案する。 この研究はチャーンフローの最初の数学的定義を提供し、教師なしトポロジカル記述子は機械学的なモデルに挑戦し修正できることを示した。
  論文  参考訳（メタデータ） (2026-04-07T17:59:15Z)
• GST-VLA: Structured Gaussian Spatial Tokens for 3D Depth-Aware Vision-Language-Action Models [6.2676602262188625]
  VLAモデルは、内在的な幾何学構造を持たない2次元パッチトークンとして視覚観察を符号化する。 GST-VLAを2つのコントリビューションで紹介する。 第一に、ガウス空間Tokenizer (GST) は凍った深度と凍ったセマンティックパッチの特徴を3Dプリミティブに変換する。 第二に、DA-CoT推論は4つの構造化された中間空間的思考を監督する。
  論文  参考訳（メタデータ） (2026-03-10T01:39:38Z)
• Scaling Up Liquid-Resistance Liquid-Capacitance Networks for Efficient Sequence Modeling [50.994194925685434]
  LrcSSMは$textitnon-linear$リカレントモデルで、現在の線形状態空間層と同じくらい高速に長いシーケンスを処理する。 ヤコビ行列を対角線に強制することにより、全列を並列に解くことができる。 LrcSSMは、Liquid-S4のような他の入力変化系が提供しないことを保証する形式的な勾配安定性を提供する。
  論文  参考訳（メタデータ） (2025-05-27T20:02:59Z)
• Monge-Ampere Regularization for Learning Arbitrary Shapes from Point Clouds [69.69726932986923]
  任意の曲面型をモデル化するための新しい暗黙曲面表現であるスケールド2乗距離関数 (S$2$DF) を提案する。 S$2$DFは、ゼロレベルセットでのUDFの非微分可能性問題に効果的に対処しながら、内部領域と外部領域を区別しない。
  論文  参考訳（メタデータ） (2024-10-24T06:56:34Z)
• Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit Feedback and Unknown Transition [71.33787410075577]
  線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。 我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-07T15:03:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。