Im Bereich der künstlichen Intelligenz bezieht sich die Long-Tail-Challenge üblicherweise auf eine Klasse von Problemen, die beim maschinellen Lernen und Deep Learning auftreten, insbesondere bei der Behandlung visueller Erkennungsaufgaben. Die Long-Tail-Herausforderung konzentriert sich auf das Problem des Klassenungleichgewichts, d. h., die Minderheitsklasse (Kopfklasse) im Datensatz verfügt über eine große Anzahl von Stichproben, während die Mehrheitsklasse (Endklasse) nur über wenige Stichproben verfügt. Diese Situation führt dazu, dass das Modell während des Trainings dazu neigt, die Merkmale hochfrequenter Kategorien zu erlernen und niedrigfrequente Kategorien zu ignorieren. Dies beeinträchtigt die Leistung des Modells im gesamten Datensatz, insbesondere bei seltenen Kategorien.

In der akademischen Forschung gibt es immer mehr Arbeiten zur Long-Tail-Herausforderung. Beispielsweise führten die Teams von Yan Shuicheng und Feng Jiashi an der National University of Singapore und dem SEA AI Lab Forschungen zum Thema Deep Long-Tail Learning durch und veröffentlichten ein entsprechendes Übersichtspapier: „Deep Long-Tailed Learning: Eine Umfrage", erläuterte systematisch Deep Long-Tail Learning und seine Methoden und Anwendungen und schlug einen neuen Bewertungsindikator vor, um die Fähigkeit bestehender Long-Tail-Learning-Methoden zu überprüfen, das Problem des Klassenungleichgewichts zu lösen.