本研究では、分類タスクにおける不均衡を評価する方法について、内因的次元性（ID）を用いる新たなアプローチを提案している。従来の手法では、各クラスのサンプル数に基づく評価が一般的であるが、これは冗長なサンプルやクラス間の学習難易度の違いを考慮していない。本論文では、IDを特徴として、すべてのモデルに依存せず簡単に計算できる不均衡の指標として利用することを提案し、さまざまな不均衡緩和の手法に柔軟に組み込めることを示している。5つの異なるデータセットを用いた実験では、IDが従来のカード数に基づく再重み付けおよび再サンプリング技術よりも一貫して優れた結果を示し、IDとカード数の併用がさらなる性能向上に寄与することも明らかにしている。