본 논문은 실제 응용 분야에서 불균형한 데이터 분포 문제를 해결하기 위해 널리 연구되어 온 Long-Tailed (LT) 인식을 다루며, 아키텍처 선택이 성능에 상당한 영향을 미칠 수 있다는 점에 착안하여 LT 환경에서의 신경망 설계에 대한 심층 분석을 제공한다. 구체적으로, 토폴로지, 컨볼루션, 활성화 함수 등 주요 네트워크 구성 요소가 LT 처리에 미치는 영향을 체계적으로 검토하고, 이를 기반으로 성능 향상에 최적화된 두 가지 컨볼루션 연산을 제안한다. 또한, 연산 상호 작용의 중요성을 인식하여, LT 데이터에 특화된 새로운 탐색 공간과 검색 전략을 가진 NAS 방법인 LT-DARTS를 제안한다. 실험 결과는 제안하는 방법이 여러 LT 데이터 세트에서 기존 아키텍처보다 일관되게 우수한 성능을 보이며, 현재의 LT 방법과 통합될 때 파라미터 효율적인 SOTA 결과를 달성함을 보여준다.
