실제 응용에서는 긴 꼬리 분포(long-tailed distribution)를 가진 불균형한 데이터셋이 널리 존재하며, 이는 딥 네트워크가 헤드(다수, 흔한) 클래스와 테일(소수, 희귀) 클래스 간의 편향된 예측을 어떻게 다뤄야 할지에 대한 큰 도전 과제를 제기한다. 딥 네트워크가 학습한 테일 클래스의 특징 공간은 일반적으로 부족하게 표현되며, 이로 인해 각 클래스 간 성능이 비균형하게 나타난다. 기존의 방법들은 테일 클래스의 특징을 증강하여 특징 공간에서 테일 클래스를 보완하려는 시도를 하지만, 이러한 접근은 테스트 단계에서 일반화 성능이 낮다. 이 문제를 완화하기 위해, 우리는 테일 클래스의 특징을 증강함으로써 분류기 성능을 향상시키는 새로운 샘플 적응형 특징 증강(Sample-Adaptive Feature Augmentation, SAFA)을 제안한다. SAFA는 헤드 클래스로부터 다양한 전이 가능한 의미적 방향을 추출하고, 이를 기반으로 테일 클래스의 특징을 적응적으로 이동시켜 증강하는 것을 목표로 한다. SAFA는 증강된 특징이 샘플별로 특화되도록 보장하는 재사용 학습(Recycling Training) 기법을 활용한다. 대조 손실(Contrastive Loss)을 통해 전이 가능한 의미적 방향이 클래스에 무관하게 유지되도록 하며, 모드 탐색 손실(Mode-seeking Loss)을 도입하여 테일 클래스의 특징 다양성을 증대시키고 테일 클래스의 특징 공간을 확장한다. 제안된 SAFA는 플러그인 형태로 구현되어 학습 단계에서 다양한 기법과 쉽게 통합 가능하며, 테스트 시 추가적인 계산 부담 없이도 활용할 수 있다. SAFA를 적용함으로써, CIFAR-LT-10, CIFAR-LT-100, Places-LT, ImageNet-LT, iNaturalist2018 등 다양한 데이터셋에서 뛰어난 성능을 달성하였다.