La fréquence des objets dans le monde réel suit souvent une loi de puissance, ce qui entraîne un désalignement entre les jeux de données à distribution longue-queue observés par un modèle d’apprentissage automatique et notre attente que ce modèle se comporte bien sur toutes les classes. Nous analysons ce désalignement sous l’angle de l’adaptation de domaine. Tout d’abord, nous établissons un lien entre les méthodes existantes de rééquilibrage des classes pour la classification à distribution longue-queue et le concept de « décalage de cible » (target shift), un scénario bien étudié en adaptation de domaine. Cette connexion révèle que ces méthodes supposent implicitement que les distributions conditionnelles aux classes du jeu d’entraînement et du jeu de test sont identiques, ce qui n’est pas généralement vrai, et particulièrement problématique pour les classes de queue. Alors qu’une classe dominante (head class) peut disposer d’un grand nombre d’exemples d’entraînement diversifiés, représentatifs des données attendues au moment de l’inférence, les classes de queue souffrent souvent d’un manque de données d’entraînement représentatives. À cet effet, nous proposons d’étendre l’apprentissage classiquement rééquilibré en estimant explicitement les différences entre les distributions conditionnelles aux classes à l’aide d’une approche par méta-apprentissage. Nous validons notre méthode sur six jeux de données standard et trois fonctions de perte.