ロングテールの不均衡は、マルチラベル学習において広く見られます。具体的には、少数の主要なラベルが勾配信号を支配する一方で、多くの希少ラベルは見過ごされがちです。本研究では、タスクを協力型のポテンシャルゲームとして捉えることでこの問題に取り組んでいます。提案するCuriosity-Driven Game-Theoretic Multi-Label Learning (CD-GTMLL)フレームワークでは、ラベル空間を複数の協力プレイヤーで分割し、共有するグローバル精度報酬に加え、ラベルの希少性やプレイヤー間の意見の不一致に応じて追加の好奇心報酬を得ます。この好奇心ボーナスにより、代表性が低いタグに対して勾配が注入され、手動で調整したクラス重みなしで学習が進むことが示されました。広範な実験により、従来のベンチマークおよび三つの極端なスケールのデータセットにおいて、最強のベースラインに対して+4.3%のRare-F1と+1.6%のP@3の向上が確認され、ロングテールのロバストネスをマルチラベル予測において体系的かつスケーラブルな方法で提供することに成功しました。