본 논문은 재훈련이 불가능한 상황에서 예측 성능과 공정성을 향상시키기 위한 추론 시 안전 메커니즘인 선택적 디바이싱(selective debiasing)을 제안한다. 선택적 분류에서 영감을 얻어 불확실성 점수로 나타나는 낮은 품질의 예측을 버리는 것과 유사하게, 본 연구에서는 잠재적으로 편향된 모델 예측을 식별하고, 이를 버리는 대신 LEACE라는 후처리 디바이싱 방법을 사용하여 편향을 제거한다. 문제가 있는 예측을 선택하기 위해 KL 발산을 기반으로 하는 편향 정량화 방법을 제안하며, 이는 표준 불확실성 정량화 방법보다 더 나은 결과를 얻는다. 인코더 기반 분류 모델을 사용한 텍스트 분류 데이터셋에 대한 실험을 통해 선택적 디바이싱이 후처리 방법과 훈련 시 및 전처리 단계의 디바이싱 기법 간의 성능 격차를 줄이는 데 도움이 된다는 것을 보여준다.
