기계적 잊기 (machine unlearning) 는 학습된 모델에서 데이터 포인트를 잊게 하여, 전체 재학습 없이 데이터 삭제 요청을 처리하고 프라이버시 위험을 완화하는 원칙적인 방법을 제공합니다. 기존 연구는 주로 비지도/지도 기계적 잊기를 다루어 왔으며, 시계열 의사결정 시스템의 잊기 분야는 상대적으로 덜 이해되었습니다. 우리는 시계열 의사결정 문제 중 하나인 오프라인 확률적 다중 팔 (MAB) 의 기초 연구를 시작합니다. 오프라인 MAB 에 대한 프라이버시 제약을 공식화하고, 후속 잊기 결정 품질을 유틸리티 지표로 측정합니다. 고정 샘플 모델과 분포 모델을 두 가지 데이터 생성 모델 하에 단일 및 다중 소스 잊기 시나리오를 체계적으로 연구합니다. 이러한 설정에서 우리의 알고리즘 설계는 가우스 메커니즘 (Gaussian mechanism) 과 롤백 (rollback) 이라는 두 가지 표준 기반 알고리즘을 기반으로 하며, 데이터 환경과 프라이버시 제약에 따라 이를 전환하는 적응형 알고리즘을 제안합니다. 우리는 또한 이러한 기준의 근거를 설명하는 혼합 절차를 도입합니다. 우리는 위의 설정 전반에 걸쳐 성능 보장을 제공하며, 두 데이터셋 모델 하에서 하한 경계를 설정합니다. 실험은 예측된 트레이드오프를 검증하고 제안된 방법의 효과성을 입증합니다.