긴 꼬리 분포 데이터에서의 분류는 심각한 클래스 불균형 문제로 인해 성능이 제한되며, 특히 꼬리 클래스에서 성능이 좋지 않은 어려운 문제이다. 최근, 앙상블 기반 방법들이 최신 기술 수준의 성능을 달성하며 큰 잠재력을 보여주고 있다. 그러나 기존 방법들은 두 가지 주요한 한계를 가지고 있다. 첫째, 실패에 민감한 응용 분야에서 예측의 신뢰성이 떨어진다. 이는 잘못된 예측이 자주 발생하는 꼬리 클래스에 특히 치명적이다. 둘째, 모든 샘플에 동일한 수의 전문가(expert)를 할당하기 때문에, 쉬운 샘플에 대해서는 과도한 계산 비용이 발생하며 자원 낭비가 발생한다. 이러한 문제를 해결하기 위해, 다중 전문가 프레임워크 내에서 어려운 샘플을 식별할 수 있도록 분류와 불확실성 추정을 동시에 수행하는 신뢰할 수 있는 긴 꼬리 분류(TLC: Trustworthy Long-tailed Classification) 방법을 제안한다. 본 TLC는 각 전문가에 대해 증거 기반 불확실성(EvU, Evidence-based Uncertainty)과 증거(evidence)를 추출한 후, 덴스터-샤퍼 증거 이론(Dempster-Shafer Evidence Theory, DST)을 기반으로 이들을 통합한다. 또한, 쉬운 샘플에 대해 참여하는 전문가 수를 동적으로 조절하는 동적 전문가 참여(dynamic expert engagement) 기법을 제안하여 계산 효율성을 높이면서도 뛰어난 성능을 유지한다. 마지막으로, 분류, 꼬리 클래스 탐지, OOD(Outside-of-Distribution) 탐지, 실패 예측 등의 다양한 작업에서 종합적인 실험을 수행하였다. 실험 결과, 제안하는 TLC는 기존 방법들을 초월하며, 신뢰할 수 있는 불확실성 추정을 통해 신뢰성 있는 성능을 보였다.