本文针对机器学习即服务（MLaaS）中机器遗忘（machine unlearning）与推理服务之间的交互缺陷展开研究。MLaaS 基于从众多数据所有者收集的数据训练模型，提供低延迟的推理服务。为满足数据保护法规中的“被遗忘权”（RTBF），现有机器遗忘方法能够根据数据所有者的删除请求从已训练模型中移除其数据影响。然而，几乎现有方法都将遗忘请求与推理请求独立处理，这引入了新的安全问题：推理服务过时（inference service obsolescence）以及隐私泄露风险。当模型参数因遗忘更新后，若推理服务未同步调整，可能导致服务行为异常或泄露已删除数据的信息。为此，作者提出 ERASER 框架，一种推理服务感知的机器遗忘方法。其核心思路是在处理遗忘请求时，同时考虑推理服务的状态和依赖，确保模型更新后推理服务仍然正确且不会暴露已遗忘数据。该方法有望在不牺牲效率的前提下，同时保障数据遗忘的合规性和推理服务的可靠性。论文主要贡献包括：形式化定义推理服务感知的遗忘问题，设计 ERASER 架构，并可能在真实 MLaaS 环境中验证其有效性。本文适合从事隐私保护机器学习、MLaaS 架构设计、合规性工程以及安全研究的人员阅读。由于当前仅基于论文摘要，尚未获取实验细节，因此具体性能指标和实现方案有待进一步查阅原文。