本研究提出了一种新框架，解决垂直联邦学习中的去学习机制问题，以满足“被遗忘权”的要求。该框架支持随时去除数据和异步去学习，增强隐私保护，适用于医疗和金融等敏感领域。

本研究探讨机器遗忘技术在“被遗忘权”和数据隐私法中的重要性，强调其与新兴人工智能监管之间的差距，并呼吁研究人员与政策制定者合作，解决法律模糊性和技术不足的问题。

本文探讨了人工智能系统中的“被遗忘权”（RTBF）概念，提出了一种“为被遗忘而设计”的隐私保护方法，通过在AI模型训练中集成模糊化技术，降低隐私风险并保持模型准确性。这为隐私保护的AI系统开发提供了框架，符合心理学动机遗忘理论和隐私法规。