長尾視覚認識問題に、知識蒸留（knowledge distillation）の観点からアプローチするため、仮想例（Virtual Examples）を蒸留する手法であるDiVE（Distill the Virtual Examples）を提案する。具体的には、教師モデルの予測値を仮想例として扱い、特定の制約下ではこれらの仮想例からの蒸留がラベル分布学習（label distribution learning）と等価であることを理論的に示す。さらに、仮想例の分布が元の入力分布よりも平らになる場合、代表度が低い末尾クラス（tail classes）において顕著な性能向上が達成されることを示す。これは長尾認識において極めて重要である。提案手法DiVEは、仮想例の分布を明示的に平らに調整可能である。3つのベンチマークデータセット（大規模なiNaturalistを含む）における広範な実験により、DiVEが最先端手法を顕著に上回ることを実証した。さらに、仮想例の解釈の妥当性を検証する分析および追加実験を通じて、DiVEが長尾問題に特化した設計の有効性を裏付けている。