SSU-LSF
首个面向地学Mamba类结构化状态空间模型的机器遗忘框架，通过专用EKFac影响函数、谱半径加权拐点阈值法和无Hessian投影梯度上升，实现对非平稳混杂事件影响的有针对性消除
时间轴 (近 90 天)
SSU-LSF 声称是第一个专门为地学 Mamba 类状态空间模型设计的机器遗忘框架
SSU-LSF 使用针对 Mamba 状态矩阵的专用 EKFac 影响函数，通过闭式矩阵指数梯度量化事件对参数的贡献
SSU-LSF 采用谱半径加权的拐点阈值法定位时间上的混杂足迹
SSU-LSF 使用无 Hessian 的投影梯度上升，在 KL 散度信任域内执行遗忘操作，并辅以空间全变分正则化
论文的 Proposition 1 证明残余混杂被一个与污染窗口长度相关的界约束，污染窗口越长残留偏差上界越大
SSU-LSF 在 CropHarvest、NDVI-LST、ERA5 三个基准上的混杂削减率分别为 0.773、0.821、0.859
在 ERA5 上 SSU-LSF 遗忘后最坏情况的 RMSE 退化为 4.2%
SSU-LSF 在 3 到 5 个 epoch 内即可收敛，每次遗忘请求的 GPU 成本比完整重训降低 8.4 倍
作者在三个异构基准数据集上对比了十一个基线方法进行评估
SSU-LSF 属于近似遗忘方法，并针对 Mamba 状态转移矩阵以矩阵指数形式出现的特点，用矩阵指数的 Fréchet 导数闭式解计算梯度
还有 1 条时间轴事件
全部知识事实 (11)
SSU-LSF 声称是第一个专门为地学 Mamba 类状态空间模型设计的机器遗忘框架
50%待验证SSU-LSF 使用针对 Mamba 状态矩阵的专用 EKFac 影响函数，通过闭式矩阵指数梯度量化事件对参数的贡献
50%待验证SSU-LSF 采用谱半径加权的拐点阈值法定位时间上的混杂足迹
50%待验证SSU-LSF 使用无 Hessian 的投影梯度上升，在 KL 散度信任域内执行遗忘操作，并辅以空间全变分正则化
50%待验证论文的 Proposition 1 证明残余混杂被一个与污染窗口长度相关的界约束，污染窗口越长残留偏差上界越大
50%待验证SSU-LSF 在 CropHarvest、NDVI-LST、ERA5 三个基准上的混杂削减率分别为 0.773、0.821、0.859
50%待验证在 ERA5 上 SSU-LSF 遗忘后最坏情况的 RMSE 退化为 4.2%
50%待验证SSU-LSF 在 3 到 5 个 epoch 内即可收敛，每次遗忘请求的 GPU 成本比完整重训降低 8.4 倍
50%待验证作者在三个异构基准数据集上对比了十一个基线方法进行评估
50%待验证SSU-LSF 属于近似遗忘方法，并针对 Mamba 状态转移矩阵以矩阵指数形式出现的特点，用矩阵指数的 Fréchet 导数闭式解计算梯度
50%待验证SSU-LSF 的混杂削减率在 0.77–0.86 之间，意味着仍有相当比例的混杂影响未被完全消除，该方法仍是预印本论文
50%