クラス数が増加するにつれて、データが長尾分布（long-tailed）であるという性質上、多数のクラスにわたりバランスの取れたデータセットを維持することは困難である。特に、一つの収集単位（例：一枚の画像内に複数の視覚的インスタンスが存在する場合）に注目対象のサンプルが重複して含まれる状況では、その維持はそもそも不可能となる。したがって、スケールに応じたディープラーニングにおける鍵となる課題は、長尾分類（long-tailed classification）の解決である。しかし、従来の手法は主に再重み付け（re-weighting）や再サンプリング（re-sampling）に基づくヒューリスティックなアプローチであり、根本的な理論的基盤に欠ける。本論文では、因果推論（causal inference）の枠組みを構築することで、従来手法の背後にある「なぜ」を解明するとともに、新たな理論的根拠に基づく解決策を導出する。具体的には、本理論により、SGDのモーメンタム（momentum）が長尾分類において本質的に交絡要因（confounder）であることが示される。一方で、モーメンタムは、尾部（tail）の予測を頭部（head）に偏らせる有害な因果効果を持つ一方で、その誘導する中間経路（mediation）は表現学習および頭部予測に有益な効果をもたらす。本フレームワークは、入力サンプルが引き起こす直接的な因果効果に注目することで、モーメンタムの矛盾した効果を洗練的に分離する。特に、学習フェーズでは因果介入（causal intervention）を、推論フェーズでは反事実的推論（counterfactual reasoning）を用いることで、「悪」な影響を除去しつつ、「善」な影響を保持する。本手法は、長尾視覚認識の3つのベンチマークにおいて、新たなSOTA（state-of-the-art）を達成した。具体的には、長尾CIFAR-10／-100、ImageNet-LT（画像分類）およびLVIS（インスタンスセグメンテーション）において、性能の向上が確認された。