长尾问题：少数类样本数量大，而多数类的样本很小，是一种数据分布不平衡的问题。
传统解决方法：重加权和重采样，这些方法统称为重平衡方法。之所以可以取得较好的精确度，是因为它能显著的促进深度网络的分类器学习，但同时它又会一定程度上损害已学习的深层特征的表征能力。
双边分支网络：提出的新方法。用于兼顾表征学习和分类器学习。 并通过实验证明了该方法的有效性。
结构
- 设计了表征学习和分类器学习两个分支，分别称为常规学习分支和再平衡分支
- 两个分支使用相同的残差网络结构，共享除最后一个残差块之外的所有权值
- 分别使用均匀采样器和反向采样器
累积学习策略： 用于在训练阶段在两个分支间转移注意力。通过自适应权衡参数控制两个分支的权值，将加权后的特征向量分别送入两个分支对应的分类器中。
注：
传统学习分支：输入数据来自均匀采样器，训练样本在每个epoch中以等概率采样一次。其保留了原始分布的特征，因此有利于表征学习；重平衡分支的输入数据来自反向采样器，缓解了极端不平衡问题，提高了尾部类的分类精度。反向——每个类的采样可能性与其样本量的倒数成正比。
双边分支：数据采样与权值共享。其中权值共享好处有：传统学习分支的良好学习有利于再平衡分支的学习，共享权值将大大降低推理阶段的计算复杂度。