Machine unlearning tegen hardnekkige vertekening in landvoorspellingen
Er is een nieuwe methode ontwikkeld om onterechte invloeden te wissen uit state-space modellen voor aardobservatie. Dit voorkomt dat tijdelijke verstoringen langdurig doorwerken in voorspellingen.
Wetenschappers hebben een techniek geïntroduceerd genaamd SSU-LSF, specifiek ontworpen om zogeheten machine unlearning toe te passen op op structuur gebaseerde state-space modellen uit de Mamba-familie. Deze modellen worden gebruikt voor operationele landoppervlakteprognoses, maar kunnen onbedoeld niet-stationaire gebeurtenissen zoals sensorrecalibraties absorberen in hun toestandsmatrices.
Het gevolg hiervan is dat systemen lang after de fysieke oorzaak is verdwenen, nog steeds vertekende voorspellingen kunnen afleveren over bijvoorbeeld vegetatie-indices of gewasfenologie. Binnen de geowetenschappen en kunstmatige intelligentie groeit de aandacht voor methoden om ongewenste patronen gericht uit getrainde modellen te verwijderen zonder dat het hele systeem opnieuw hoeft te worden getraind.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel