긴꼬리 인식 문제(long-tailed recognition problem)에 대한 관심이 높아지고 있으며, 이는 최근 매우 주목받는 핵심 과제로 부상하고 있다. 기존의 인식 방식과 달리, 이 문제는 학습 데이터셋의 분포가 극도로 왜곡되어 있음을 전제로 하며, 검증 및 테스트 세트는 균형 잡힌 분포를 가진다는 점이 특징이다. 당연히, 학습 데이터와 테스트 데이터 간의 분포 차이로 인해 모델의 일반화 성능에 심각한 도전이 수반된다. 이러한 도전에 대응하기 위한 접근법은 두 가지 주요 그룹으로 나뉜다. 첫째, 학습 과정 중 모델의 잠재력을 활용하여 일반화 능력을 강화하는 ‘학습 인지 기반 방법’이며, 둘째, 학습 인지 기반 방법과 유연하게 결합되는 ‘후처리 보정(post-hoc correction)’ 기법으로, 예측 결과를 후처리 단계에서 가능한 한 정교하게 보정함으로써 단순성과 효과성의 장점을 제공한다. 본 논문에서는 기존의 통계적 방법을 넘어서는 새로운 후처리 보정 방향을 제안한다. 수학적으로는 최적 운반(optimal transport, OT)의 관점에서 문제를 접근하지만, OT를 적용할 때 정확한 비용 행렬(cost matrix)을 선택하는 것은 어렵고, 다양한 작업에 대한 전문 지식이 필요하다는 한계가 있다. 이러한 한계를 극복하기 위해, 필요한 설정 없이 비용 행렬을 적응적으로 학습할 수 있도록 선형 변환(linear mapping)을 도입한다. 실증 실험을 통해 제안한 방법을 검증한 결과, 높은 효율성과 뛰어난 성능을 동시에 달성하였으며, 기존의 모든 방법을 뛰어넘어 현재까지 가장 우수한 성능을 기록하였다.