이 논문에서는 긴 꼬리 분포 인식(long-tailed recognition) 문제를 해결하기 위해 파라메트릭 대조 학습(Parametric Contrastive Learning, PaCo)을 제안한다. 이론적 분석을 바탕으로, 감독형 대조 손실(supervised contrastive loss)이 고주파 수준의 클래스에 편향되며, 이로 인해 불균형 학습의 난이도가 증가함을 관찰하였다. 이를 보완하기 위해, 최적화 관점에서 클래스별로 학습 가능한 중심점(learnable centers)을 도입하여 균형을 회복한다. 추가적으로, 균형 잡힌 설정 하에서 PaCo 손실의 성질을 분석한 결과, 동일 클래스의 샘플들이 해당 중심점과 함께 더 많이 모일수록 같은 클래스 내 샘플 간의 밀접도를 자동으로 강화하며, 어려운 예시(hard example) 학습에 유리함을 입증하였다. CIFAR, ImageNet, Places, iNaturalist 2018 등 다양한 긴 꼬리 데이터셋에서의 실험 결과, 본 연구는 긴 꼬리 인식 분야에서 새로운 최고 성능(state-of-the-art)을 달성하였다. 전체 ImageNet에서 PaCo 손실을 사용해 훈련한 모델은 다양한 ResNet 백본에서 감독형 대조 학습을 초과하였으며, 특히 ResNet-200 기반 모델이 top-1 정확도 81.8%를 기록하였다. 본 연구의 코드는 https://github.com/dvlab-research/Parametric-Contrastive-Learning 에 공개되어 있다.