少数データでクラス分類を行う場合、その少数データが、その分類クラスの代表的な特徴を保有していることが求められる。しかし、実際には、背景が特徴的だったり、焦点がボケていたりするなど、クラスの特徴と無関係な特徴が与えられてしまうことがある。このような場合、これらの無関係な特徴が特徴量の学習に利用され、分類精度が低下することや、学習が不安定になることが考えられる。本研究では、特徴量が偏在する場合の学習過程を分析した結果に基づき、分類に影響を与えないデータ拡張の手法を提案し、学習を安定させ、分類精度を向上させることを目指す。