البيانات الحقيقية غالبًا ما تكون غير متوازنة وذات ذيل طويل، ولكن النماذج العميقة تجد صعوبة في التعرف على الفئات النادرة في وجود الفئات الشائعة. غالبًا ما يمكن أن تكون الفئات مصحوبة بمعلومات جانبية مثل الوصف النصي، لكن ليس واضحًا تمامًا كيفية استخدامها للتعلم مع البيانات ذات الذيل الطويل وغير المتوازنة. تم استخدام هذه الوصفات بشكل أساسي في التعلم بدون أمثلة (Generalized Zero-shot learning (ZSL))، مما يشير إلى أن ZSL مع وصف الفئات قد يكون مفيدًا أيضًا لتوزيعات الذيل الطويل. نصف DRAGON، وهي هندسة دمج متأخر لتعلم الذيل الطويل باستخدام وصف الفئات. فهي تتعلم (1) تصحيح الانحياز نحو الفئات الرئيسية على أساس عينة بعينها؛ و(2) دمج المعلومات من وصف الفئات لتحسين دقة الفئات الثانوية. كما نقدم مقاييس جديدة هي CUB-LT، SUN-LT، AWA-LT للتعلم مع الذيل الطويل باستخدام وصف الفئات، مستندين إلى مجموعات بيانات موجودة للتعلم بالخصائص ومجموعة Imagenet-LT مع وصف فئات. أظهر DRAGON تفوقه على النماذج الرائدة حاليًا في المقاييس الجديدة. كما أنه يعتبر تقنية جديدة رائدة في المقاييس الحالية للتعلم بدون أمثلة مع وصف الفئات (GFSL-d) والتعلم القياسي ذو الذيل الطويل ImageNet-LT، CIFAR-10، 100، وPlaces365.