長尾資料處理（long-tail data handling）

真實世界的資料服從長尾分布：少數頭部類別樣本充裕，而一長串罕見類別各只有寥寥幾個。直接訓練的模型會精通常見案例，卻對罕見案例近乎全盲——然而罕見案例（一種少見疾病、一種詐欺樣式、一個邊緣物件）往往正是最要緊的那些。長尾處理就是一套在不毀掉頭部的前提下、把尾部準確率救回來的技術。

這些介入落在三個層級。資料層方法做重抽樣：對尾部類別過抽樣（並合成變體）、對頭部欠抽樣，或對尾部做資料擴增。損失層方法做重新加權：用有效樣本數的類別平衡損失、依對數先驗移動決策邊界的 logit 調整、以及對較罕見類別強制更大邊際的邊際損失（LDAM）。表徵層方法把特徵學習與分類器解耦——在自然分布上學特徵，再只對最後的分類器重新平衡——因為骨幹往往學得不錯，是分類器偏向了頭部。對基礎模型而言，檢索與少樣本遷移讓尾部知識搭上廣泛預訓練的順風車。

誠實的張力是頭尾權衡：激進的重新平衡能拉高罕見類別的召回，卻可能拖累整體準確率與校準，因此正確的操作點取決於每種錯誤類型的真實代價。