PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02248v1cs.LG

지면 예측에서 비정상성 바이어스를 위한 상태 공간 언러닝

State-Space Unlearning for Non-Stationary Bias in Land Surface Forecasting

Mamba 계열 구조화 상태 공간 모델(Structured State Space Model, SSM)을 기반으로 구축된 운영용 지면 예측 시스템은 비정상적인 교란 요인(기록되지 않은 관개 급증, 댐 운영 방식 변경, 센서 재보정 등)을 상태 전이 행렬(state-transition matrix) 내부에 흡수시키며, 그 물리적 원인이 사라진 이후에도 오랫동안 NDVI, 지표면 온도(LST), 작물 생육 단계(phenology) 예측에 바이어스를 암묵적으로 발생시킨다. 본 논문은 지구과학용 Mamba 기반 SSM을 위해 전용으로 설계된 최초의 머신 언러닝(machine unlearning) 프레임워크인 SSU-LSF(State-Space Unlearning for Land Surface Forecasting)를 제안한다. 우리는 폐쇄형(closed-form) 행렬 지수(matrix-exponential) 그래디언트를 통해 Mamba 상태 행렬에 특화된 EKFac 영향 함수(influence function)를 개발하고, 스펙트럴 반경(spectral-radius) 가중 엘보 임계화(elbow thresholding)를 사용하여 시간적 교란 흔적(temporal confounding footprint) $Φ$를 국소화하며, 공간적 전역 변동(total variation, TV) 정규화로 보강된 KL-발산(KL-divergence) 신뢰 영역(trust region) 내에서 헤시안-프리(Hessian-free) 투영 그래디언트 상승법(projected gradient ascent)을 적용한다. 명제 1(Proposition 1)은 잔차 교란(residual confounding)이 $\mathcal{O}\big((1-ρ(\bar{A})^{T_c})/((1-ρ(\bar{A}))μ)\big)$로 상한이 설정됨을 증명하며, 이는 윈도우 길이 $T_c$에 따라 증가한다. 세 가지 이질적인 벤치마크와 11개의 베이스라인에 걸쳐, SSU-LSF는 CropHarvest에서 $0.773$, NDVI-LST에서 $0.821$, ERA5에서 $0.859$의 교란 감소율을 달성하며, ERA5에서 최악의 경우 클린 도메인(clean-domain) RMSE 저하는 $4.2\%$에 그치고, 3~5 에폭(epoch) 내에 수렴하며 전체 재학습(full retraining) 대비 언러닝 요청당 GPU 비용이 $8.4\times$ 더 낮다. 코드: https://github.com/Anidipta/SSU-LSF