現実世界のデータはしばしば長尾分布を示し、クラス数も非常に多いことが一般的である。この特性により、さまざまなモデルの性能が著しく低下する。その要因の一つは、各学習イテレーションにおいてサンプリングされないクラスが勾配のシフトを引き起こすことに起因する。本論文では、この問題に対処するため、Weight-Guided Class Complementing（重み誘導型クラス補完）フレームワークを提案する。具体的には、各学習イテレーションにおいて動的に更新されるデータスロットを用いて、サンプリングされないクラスを補完する。その後、クラス補完によって引き起こされる過学習の問題を考慮し、分類器の重みを学習済み知識として利用し、モデルがより多くのクラス固有の特徴を発見するよう促す。さらに、分類器重みに存在する長尾バイアスに対処するために、重みの精緻化スキームを設計した。実験結果から、本フレームワークは既存のさまざまなアプローチに効果的に組み込むことができ、複数のベンチマークにおいて一貫した性能向上を達成し、新たなSOTA（最良の結果）を実現した。