現実世界のデータ分布は本質的に長尾型であるため、ディープラーニングモデルにとって大きな課題をもたらす。本研究では、この不均衡問題を緩和するため、段階的バランス損失と適応型特徴生成器（Gradual Balanced Loss and Adaptive Feature Generator, GLAG）という新しい手法を提案する。GLAGはまず、段階的バランス損失（Gradual Balanced Loss）を用いて、バランスよくかつロバストな特徴モデルを学習する。その後、その特徴モデルを固定し、代表的なヘッドクラスから得られる知識を活用して、代表が不足しているテールクラスの特徴空間上でサンプルを生成する。生成されたサンプルは、学習エポック中に実際の訓練データと混合され、モデルの学習に用いられる。段階的バランス損失は汎用的な損失関数であり、さまざまな分離学習手法と組み合わせることで、元の性能を向上させることができる。本手法は、CIFAR100-LT、ImageNetLT、iNaturalistといった長尾データセットにおいて、最先端の性能を達成しており、GLAGが長尾視覚認識において有効であることを示している。