لقد حققت النماذج العميقة للتصنيف نجاحًا كبيرًا في التعرف البصري. ومع ذلك، فإن البيانات في العالم الحقيقي تتميز بتوزيع طويل الذيل بشكل طبيعي، مما يؤدي إلى عدم توافق بين توزيعات التدريب والاختبار. في هذه الورقة، نُظهر أن دالة سوتفماكس، رغم استخدامها في معظم مهام التصنيف، تُقدّم تقديرًا متحيّزًا للGradient في ظل بيئة التوزيع الطويل الذيل. وتقدّم هذه الورقة ما يُسمى بـ "سوتفماكس المتوازن"، وهو امتداد أنيق وغير متحيّز لدالة سوتفماكس، يُعدّ لموازنة التحول في توزيع العلامات بين التدريب والاختبار. من الناحية النظرية، نُشتق حد التعميم لانحدار سوتفماكس متعدد الفئات، ونُظهر أن دالة الخسارة المقدمة تُقلّل هذا الحد. بالإضافة إلى ذلك، نُقدّم "ميتا-سوتفماكس المتوازن"، الذي يطبّق عيّنة ميتا مكملة لتقدير معدل العينات المثالي لكل فئة، مما يُحسّن بشكل إضافي التعلّم في السياقات الطويلة الذيل. في تجاربنا، نُظهر أن "ميتا-سوتفماكس المتوازن" يتفوّق على أفضل الحلول الحالية في تصنيف البيانات الطويلة الذيل على مهام التعرف البصري وتقسيم المُثَل (instance segmentation).