本文是理论计算机科学与数据隐私方向的研究论文，研究机器学习中的“机器遗忘”问题。传统机器遗忘旨在模拟“从头重新训练”的效果：当收到删除请求时，遗忘算法应产生一个结果，该结果与从未包含被删除数据点时从头训练得到的结果一致。近期研究表明，对于一个能观察一系列发布结果的攻击者而言，这种模拟要求并不具有有意义的隐私语义。因此，机器遗忘本质上并非隐私问题，而是数据维护问题——这正是“追溯算法”的课题。追溯算法支持对过去操作的修改，并保证所有后续回答都反映修正后的历史，仿佛该修正一直生效。本文提出“私有追溯算法”的正式定义，将追溯性要求与持续观察下的差分隐私相结合。作者展示了针对线性统计、聚类和直方图问题的构造方案，这些方案在渐近成本上并未比单独实现隐私保护更高，同时满足隐私与追溯性。此外，文章还给出不可能性结果，界定了该框架下的基本限制。该研究为深入理解隐私保护与数据动态修改之间的理论关系提供了新视角，适合理论计算机科学家、差分隐私研究者以及关注数据删除合规与隐私语义的安全研究人员阅读。由于本文仅为摘要，尚未验证实验细节或同行评审状态。