최근 들어 실제 세계에서 객체의 분포가 기본적으로 파워 법칙(power-law) 분포를 따르기 때문에, 긴 꼬리 인식(long-tailed recognition, LTR) 문제에 대한 관심이 증가하고 있다. LTR 분야의 대부분의 최신 연구들은 특정 클래스의 학습 데이터 양과 분류기(norm) 간의 상관관계를 지닌, 편향된 소프트맥스(sotfmax) 분류기를 사용하고 있다. 본 연구에서는 프로토타입 분류기(prototype classifier)를 도입함으로써 LTR에서 이러한 편향된 소프트맥스 문제를 해결할 수 있음을 보여준다. 프로토타입 분류기는 단순히 프로토타입을 경험적 중심점(empirical centroids)으로 설정한 특수한 경우인 가장 가까운 클래스 평균(Nearest-Class-Mean, NCM)을 사용함으로써 매력적인 성능을 달성할 수 있다. 더 나아가, 표현 공간에서 프로토타입까지의 거리를 분류의 로짓(logit) 점수로 활용하여 프로토타입을 함께 학습하는 방법을 제안한다. 또한, 유클리드 거리 기반 프로토타입 분류기의 성질을 이론적으로 분석하여, 불안정한 오류(outliers)에 대해 강건한 기울기 기반 최적화를 가능하게 하는 특성을 밝혀냈다. 각 채널에 대해 독립적인 거리 스케일을 가능하게 하기 위해, 채널별 온도 매개변수를 학습함으로써 프로토타입 분류기를 보완하였다. 분석 결과, 프로토타입 분류기를 통해 학습된 프로토타입은 경험적 중심점보다 더 잘 분리됨을 확인하였다. 네 가지 LTR 벤치마크에서의 실험 결과는 프로토타입 분류기가 기존 최고 성능의 방법들과 비교해 우수하거나 유사한 성능을 보임을 보여준다. 본 연구의 코드는 https://github.com/saurabhsharma1993/prototype-classifier-ltr 에 공개되어 있다.