تُعد البيانات الواقعية غالبًا موزعة بشكل طولي (Long-tailed) وتحتوي على عدد كبير من الفئات، مما يؤدي إلى انخفاض كبير في أداء النماذج المختلفة. ويعود أحد الأسباب وراء ذلك إلى انزلاق التدرج (Gradient Shift) الناتج عن عدم تضمين فئات معينة في كل تكرار تدريبي. في هذه الورقة، نقترح إطار عمل يُدعى Weight-Guided Class Complementing للتعامل مع هذه المشكلة. بشكل محدد، يُكمّل هذا الإطار الفئات غير المُستَخْدَمة في كل تكرار تدريبي من خلال استخدام مكان بيانات ديناميكي يتم تحديثه باستمرار. ثم، مع مراعاة مشكلة التعلّم الزائد (Over-fitting) الناتجة عن إكمال الفئات، نستخدم أوزان المصنّف كمعرفة مكتسبة، ونُشجع النموذج على اكتشاف خصائص أكثر تخصيصًا لكل فئة. وأخيرًا، نصمم خطة لتحسين الأوزان للتعامل مع التحيّز الطولي الموجود في أوزان المصنّف. أظهرت النتائج التجريبية أن إطارنا يمكن تنفيذه بشكل فعّال على عدة مناهج موجودة مسبقًا، ويحقق تحسينات متسقة على مجموعة متنوعة من المعايير، مع تحقيق أداءً جديدًا يُعدّ من أفضل الأداء في المجال.