지표면 예측 시스템은 농작물 생장 주기, 지표면 온도(LST), 식생 지수(NDVI) 등을 예측하는 데 사용됩니다. 하지만 이러한 시스템은 기록되지 않은 관개량 변화, 댐 운영 방식 변경, 센서 재보정 같은 비정상적인 교란 사건들을 상태 전이 행렬(state-transition matrices)에 흡수하여 예측에 지속적인 편향(bias)을 유발하는 문제가 있었습니다. 이는 물리적 원인이 사라진 후에도 예측 오류를 야기하며, 특히 맘바(Mamba) 계열의 구조화된 상태 공간 모델(SSM)에서 두드러집니다.
최근 Anidipta Pal 연구원은 이러한 문제를 해결하기 위해 지리 과학 분야의 맘바 기반 SSM을 위한 최초의 기계 비학습(machine unlearning) 프레임워크인 SSU-LSF(State-Space Unlearning for Land Surface Forecasting)를 개발했습니다. SSU-LSF는 맘바 상태 행렬에 특화된 EKFac 영향 함수를 활용하고, 스펙트럼 반경 가중치 기반의 엘보 스레숄딩(elbow thresholding)을 통해 시간적 교란 영역을 식별합니다. 또한, KL-발산 신뢰 영역 내에서 헤시안-프리(Hessian-free) 투영 경사 상승법을 적용하고 공간적 총 변동(total-variation, TV) 정규화를 추가하여 편향을 제거합니다. 이 방법은 CropHarvest, NDVI-LST, ERA5 등 세 가지 벤치마크에서 0.773에서 0.859에 이르는 높은 교란 감소율을 달성했으며, 전체 재학습 대비 GPU 비용을 8.4배 절감하면서 3~5 에포크 만에 수렴하는 효율성을 보였습니다.
SSU-LSF는 지표면 예측 모델의 신뢰성과 정확도를 획기적으로 향상시킬 수 있는 중요한 진전입니다. 기존에는 예측 모델에 편향이 발생하면 전체 모델을 재학습해야 했지만, 이 프레임워크를 통해 특정 교란으로 인한 편향만을 선택적으로 제거할 수 있게 되었습니다. 이는 모델 유지보수 비용과 시간을 크게 줄여줄 뿐만 아니라, 농업 생산성 예측, 기후 변화 모니터링, 재난 관리 등 다양한 응용 분야에서 더욱 신뢰할 수 있는 정보를 제공할 수 있게 합니다. 특히, 비정상적인 외부 요인이 잦은 실제 환경에서 모델의 적응성을 높여 실용적 가치가 매우 큽니다.