장기 실행되는 LLM 에이전트는 압축 요약, 평문 메모리, 대기 중인 도구 계획, KV 캐시 등 상태를 축적하는데, 기존의 '망각' 연산은 평문 메모리 기록만 삭제할 뿐 해당 정보에서 파생된 다른 산출물은 그대로 남긴다. 이 논문은 망각 요청 후 에이전트가 마치 대상 정보를 관측한 적 없는 것처럼 행동해야 한다는 '실행 상태 언러닝'을 정식화하고, 런타임을 결정론적 전이 시스템으로 모델링해 대상 이전 궤적은 반사실 세계와 공짜로 공유되지만 대상 이후 부분은 토큰 단위 귀속 없이는 필연적으로 오염되며 정확한 언러닝에는 최소 T-τ+1번의 재계산 전이가 필요함을 증명했다. 프로비넌스 그래프로 주입 지점을 찾아 KV 캐시를 자르는 체크포인트 복원과 정제된 재실행으로 반사실 접미부를 재생성하는 '프로비넌스 유도 선택적 재실행' 기법이 이 하한을 달성했다. 3개 에이전트 스위트, 9개 베이스라인, 3개 모델 계열에 걸친 감사에서 단순 메모리 삭제는 누출을 그대로 남기고, 지시 기반 망각은 유도 질의에 무너지며(Leak@probes=1.00), 출처 삭제도 80%의 에피소드에서 철회된 선호를 여전히 반영했지만, 선택적 재실행은 최대 9배 적은 재계산 토큰으로 완전 초기화와 구별되지 않는 결과를 냈다.

• •LLM 에이전트의 '망각'이 파생 산출물(압축 요약, KV 캐시 등)을 남기는 문제를 정식화해 '실행 상태 언러닝' 개념 제시
• •정확한 언러닝에는 최소 T-τ+1번의 재계산 전이가 필요함을 이론적으로 증명
• •프로비넌스 그래프 기반 체크포인트 복원과 정제된 재실행으로 이 하한을 달성하는 기법 제안
• •단순 삭제·지시 기반 망각은 유도 질의에 취약(Leak@probes=1.00)했으나 선택적 재실행은 최대 9배 적은 토큰으로 완전 초기화와 동등한 결과 달성