本稿では、不均衡データ学習における課題に対処するためのバランス学習手法を提案する。この目的のため、過学習を引き起こすサンプルの影響を軽減する新たな損失関数を、バランス学習フェーズで用いるものとして導出する。提案する損失関数は、あらゆるタイプの不均衡学習手法の性能を効果的に向上させる。複数のベンチマークデータセットを用いた実験により、本手法の有効性を実証し、最先端のコストセンシティブ損失手法を上回ることを明らかにした。さらに、本損失関数は特定のタスク、モデル、または学習手法に制限されないため、最近の再サンプリング法、メタラーニング法、およびコストセンシティブ学習法と容易に組み合わせて、クラス不均衡問題への対応に活用可能である。