Anidipta Pal氏らは9月30日(現地時間)、学術論文公開サイトarXiv cs.LGで、陸域地表予測システムにおける非定常バイアスに対処する新しい機械学習フレームワーク「SSU-LSF (State-Space Unlearning for Land Surface Forecasting)」を発表した。Mamba系列の構造化状態空間モデルに基づく既存システムが、未記録の灌漑やダム運用変更、センサー再校正といった非定常な攪乱事象を状態遷移行列に吸収し、長期的なバイアスをもたらす問題に対処するため開発された。
SSU-LSFは、地球科学分野におけるMambaベースの構造化状態空間モデル向けに特化して構築された初の機械学習アンラーニングフレームワークとして注目されている。
既存の陸域地表予測システムでは、Mamba系列の構造化状態空間モデルが広く利用されているが、予測の誤差や不確実性につながる非定常なバイアスの課題に直面していた。特に、灌漑パターンの変更、ダム運用の調整、センサーの再校正といった事象は、モデルの状態遷移行列に吸収され、長期的なバイアスとして蓄積される傾向がある。これは、モデルがこれらの攪乱を学習しきれず、予測精度を低下させる要因となっていた。
この課題に対し、SSU-LSFはMamba状態行列に特化したEKFac影響関数を閉形式の行列指数勾配を通じて開発し、時間的な攪乱フットプリントをスペクトル半径重み付けエルボー閾値処理によって特定する。さらに、ヘッセ行列不要の射影勾配上昇法を、空間的総変動 (TV) 正則化によって強化されたKLダイバージェンストラスト領域内で適用する。研究では、残留する攪乱がウィンドウ長$T_c$に比例して増加する限界が示されており、アンラーニングのメカニズムにおける理論的裏付けを提供している。
SSU-LSFの性能は、3つの異なるベンチマークデータセットと11のベースラインモデルで評価された。その結果、CropHarvestでは0.773、NDVI-LSTでは0.821、ERA5では0.859の攪乱削減率を達成した。これは、従来の予測手法と比較して顕著な改善を示している。さらに、最悪ケースにおけるクリーン領域のRMSE劣化はERA5で4.2%に抑えられており、アンラーニング処理がモデルの安定性を損なわないことが確認された。
効率性の面でも、SSU-LSFは大きな利点を持つ。完全な再学習と比較して、アンラーニング要求あたりのGPUコストを8.4分の1に削減し、わずか3〜5エポックで収束するという結果が示された。これは、大規模な地球科学データセットを用いたモデル運用において、計算資源と時間の節約に大きく貢献することを示す。この効率性により、SSU-LSFは陸域地表予測システムにおける非定常バイアスのリアルタイムに近い形での管理を可能にするとしている。
参考: arXiv cs.LG (アーカイブ) — 2026年10月5日 13:00 (JST)
原文ハイライト"State-Space Unlearning for Non-Stationary Bias in Land Surface Forecasting"