Flow Matching(FM)은 기준 분포에서 데이터 분포로 이어지는 연속적 흐름(ODE 벡터장)을 학습하여 데이터를 생성하는 강력한 프레임워크이다. 하지만 Long-tailed 분포에서는 여전히 training signal이 majority class에 집중되어 majority bias가 발생하는 한계가 있다.본 연구에서는 이러한 한계를 해결하기 위해 Unbalanced Optimal Transport(UOT)에 기반한 Reweighted Flow Matching(UOT-RFM)을 제안했다. 본 발표에서는 UOT-RFM의 원리와 이론적 보장(1차 가중의 정확한 복원)과 Long-tailed distribution 데이터의 실험 결과를 순차적으로 논의한다.