農業分野における作物分類は、特に長尾分布に従う極端なクラス不均衡の影響を受けることが多い。ラベル付きデータセットは限られており、入手には高額なコストがかかるため、少数のデータで学習を行う際には人工的にバランスを取ったトレーニングセットが作成されがちである。しかし、これが現実の条件を反映できず、テストラベル分布との間にシフトを引き起こし、一般化性能を損なうことになる。この問題に対処するために、Dirichlet Prior Augmentation（DirPA）という新しい手法を提案し、モデル学習中にターゲットドメインの未知のラベル分布の歪みを前もってシミュレートする。この方法では、現実の分布をDirichlet分布でモデル化し、少数ショット学習における事前増強を実現する。実験結果は、DirPAが決定境界をシフトさせ、動的特徴正則化器としてトレーニングプロセスを安定させることを示している。