diff --git a/CLAUDE.md b/CLAUDE.md
index 7673e23..b408e9c 100644
--- a/CLAUDE.md
+++ b/CLAUDE.md
@@ -5,7 +5,7 @@
 
 ## 開発進捗
 
-最新: PLAN_02 Step 4〜5（学習・5-fold 交差検証）完了．4 モデル × 2 条件 × 3 seed を実行（TEST_03）．次は Step 7（実験反復）
+最新: PLAN_02 Step 7 の一部としてクラス不均衡対策（重み・バランス・サンプリング）を実装・実験（TEST_04）．次は学習率の公平な選び直し
 ※ 本欄は**最新ステップ 1 行のみ上書き更新**．詳細な進捗履歴（動機・設計判断・失敗パターン）は [docs/PROGRESS.md](docs/PROGRESS.md) に追記する．運用ルールは `.claude/rules/progress-log.md` を参照（該当ファイル編集時に自動ロードされる）．
 
 ## 必須ルール（コード実装時）
@@ -101,3 +101,4 @@
 - データセット構成調査: docs/06_TEST/TEST_01_データセット構成調査.md
 - データセット集計結果: docs/06_TEST/TEST_02_データセット集計結果.md
 - 交差検証結果: docs/06_TEST/TEST_03_交差検証結果.md
+- クラス不均衡対策の実験: docs/06_TEST/TEST_04_クラス不均衡対策の実験.md
diff --git "a/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md" "b/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md"
index ee36225..d130a72 100644
--- "a/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md"
+++ "b/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md"
@@ -12,7 +12,7 @@
 | 4 | 学習パイプライン最小版（ConvNeXt-Tiny を 1 本通す）✅ 完了 | Step 2・3 |
 | 5 | 評価・レポート生成（指標・混同行列・`runs/` 出力）✅ 完了（5-fold 交差検証として実装．結果は [TEST_03](../06_TEST/TEST_03_交差検証結果.md)） | Step 4 |
 | 6 | ベースライン比較（TIASjudge のルールベース）※ 後回し | Step 5 |
-| 7 | 実験反復（不均衡対策・モデル比較・解像度検討） | Step 6 |
+| 7 | 実験反復（不均衡対策・モデル比較・解像度検討）※ 一部実施（モデル比較: [TEST_03](../06_TEST/TEST_03_交差検証結果.md)・不均衡対策: [TEST_04](../06_TEST/TEST_04_クラス不均衡対策の実験.md)） | Step 6 |
 | 8 | 結論（5-fold 交差検証・評価レポート・配布形式の判断） | Step 7 |
 
 Step 1・2 はデータのコピー待ちの間に進められる．
diff --git "a/docs/06_TEST/TEST_04_\343\202\257\343\203\251\343\202\271\344\270\215\345\235\207\350\241\241\345\257\276\347\255\226\343\201\256\345\256\237\351\250\223.md" "b/docs/06_TEST/TEST_04_\343\202\257\343\203\251\343\202\271\344\270\215\345\235\207\350\241\241\345\257\276\347\255\226\343\201\256\345\256\237\351\250\223.md"
new file mode 100644
index 0000000..cdb6071
--- /dev/null
+++ "b/docs/06_TEST/TEST_04_\343\202\257\343\203\251\343\202\271\344\270\215\345\235\207\350\241\241\345\257\276\347\255\226\343\201\256\345\256\237\351\250\223.md"
@@ -0,0 +1,85 @@
+# クラス不均衡対策の実験 (Class Imbalance Experiments)
+
+[TEST_03](TEST_03_交差検証結果.md) で紫・淡白の再現率が低かったため，クラス不均衡への対策（[SPEC_02「クラス不均衡」→「対策の設定」](../04_SPEC/SPEC_02_学習・評価仕様.md)）を 2 モデル × 3 通り × 2 条件 × 3 seed で試した結果．対策なしの結果は TEST_03 のものを使い，**同じ seed・同じ fold どうしで対応比較**した．表は `uv run python scripts/summarize_cv.py runs` で再生成できる．
+
+| 項目 | 内容 |
+| --- | --- |
+| 実行日時 | 2026-09-28 08:50〜10:14 |
+| 実行場所 | Archimedes の RTX A6000（GPU 1 の 1 枚．未使用の GPU のみを使用） |
+| 本数 | 36 本（ConvNeXt-Tiny・ResNet-50 × 対策 3 通り × ややあり込み／除外 × seed 42・43・44） |
+| モデルと学習率 | ConvNeXt-Tiny（1e-4）・ResNet-50（1e-3）．TEST_03 の設定から対策のキーだけを変えた |
+| 対策 | 重み `inverse`・重み `sqrt_inverse`・バランス・サンプリング `balanced` |
+| コード | `f9d9ebd-dirty`（コミット `8387ebd` の内容を実行時点で未コミットのまま使用．既定のままなら変更前と同じ学習になることはテストで確認済み） |
+
+## 結果 (Results)
+
+common（「あり」と淡紅）の macro F1・正解率と，all（ややあり込みの全体）の macro F1．15 fold の平均 ± 標準偏差．
+
+| モデル | 対策 | 条件 | common macro F1 | common 正解率 | all macro F1 |
+| --- | --- | --- | --- | --- | --- |
+| ConvNeXt-Tiny | なし | 込み | 0.541 ± 0.066 | 0.668 ± 0.035 | 0.510 ± 0.056 |
+| ConvNeXt-Tiny | 重み inverse | 込み | **0.585 ± 0.057** | 0.669 ± 0.063 | **0.546 ± 0.054** |
+| ConvNeXt-Tiny | 重み sqrt | 込み | 0.563 ± 0.045 | 0.645 ± 0.057 | 0.524 ± 0.032 |
+| ConvNeXt-Tiny | balanced | 込み | 0.566 ± 0.071 | 0.663 ± 0.081 | 0.528 ± 0.061 |
+| ConvNeXt-Tiny | なし | 除外 | 0.592 ± 0.068 | 0.744 ± 0.035 | 0.480 ± 0.056 |
+| ConvNeXt-Tiny | 重み inverse | 除外 | **0.632 ± 0.060** | 0.745 ± 0.030 | 0.528 ± 0.043 |
+| ConvNeXt-Tiny | 重み sqrt | 除外 | 0.595 ± 0.060 | 0.750 ± 0.030 | 0.490 ± 0.049 |
+| ConvNeXt-Tiny | balanced | 除外 | 0.611 ± 0.052 | 0.734 ± 0.041 | 0.509 ± 0.046 |
+| ResNet-50 | なし | 込み | 0.546 ± 0.057 | 0.649 ± 0.066 | 0.520 ± 0.050 |
+| ResNet-50 | 重み inverse | 込み | 0.558 ± 0.045 | 0.635 ± 0.055 | 0.535 ± 0.035 |
+| ResNet-50 | 重み sqrt | 込み | **0.590 ± 0.057** | 0.666 ± 0.070 | **0.554 ± 0.043** |
+| ResNet-50 | balanced | 込み | 0.562 ± 0.038 | 0.627 ± 0.045 | 0.533 ± 0.043 |
+| ResNet-50 | なし | 除外 | **0.637 ± 0.062** | 0.748 ± 0.045 | 0.519 ± 0.056 |
+| ResNet-50 | 重み inverse | 除外 | **0.637 ± 0.058** | 0.720 ± 0.045 | 0.542 ± 0.047 |
+| ResNet-50 | 重み sqrt | 除外 | 0.633 ± 0.056 | 0.733 ± 0.045 | 0.534 ± 0.044 |
+| ResNet-50 | balanced | 除外 | 0.616 ± 0.050 | 0.712 ± 0.062 | 0.523 ± 0.038 |
+
+## 対策なしとの対応比較 (Paired Comparison)
+
+対策あり − 対策なし（同じモデル・条件・seed・fold どうし．15 fold）．recall は common でのクラス別再現率の差．
+
+| モデル | 対策 | 条件 | common F1 の差 | 上回った fold | 淡白 | 紫 | 淡紅 | 暗赤紅 |
+| --- | --- | --- | --- | --- | --- | --- | --- | --- |
+| ConvNeXt-Tiny | 重み inverse | 込み | **+0.044 ± 0.064** | **11 / 15** | +0.19 | +0.15 | −0.03 | −0.05 |
+| ConvNeXt-Tiny | 重み inverse | 除外 | **+0.040 ± 0.063** | **12 / 15** | +0.19 | +0.09 | −0.07 | +0.02 |
+| ConvNeXt-Tiny | 重み sqrt | 込み | +0.021 ± 0.052 | 10 / 15 | +0.12 | +0.23 | −0.06 | −0.07 |
+| ConvNeXt-Tiny | 重み sqrt | 除外 | +0.003 ± 0.074 | 8 / 15 | −0.01 | −0.04 | −0.02 | +0.06 |
+| ConvNeXt-Tiny | balanced | 込み | +0.025 ± 0.060 | 9 / 15 | +0.07 | +0.19 | −0.00 | −0.09 |
+| ConvNeXt-Tiny | balanced | 除外 | +0.018 ± 0.067 | 10 / 15 | +0.13 | +0.05 | −0.08 | +0.03 |
+| ResNet-50 | 重み inverse | 込み | +0.011 ± 0.060 | 7 / 15 | +0.16 | +0.10 | −0.04 | −0.05 |
+| ResNet-50 | 重み inverse | 除外 | −0.000 ± 0.053 | 5 / 15 | +0.11 | +0.08 | −0.04 | −0.12 |
+| ResNet-50 | 重み sqrt | 込み | **+0.043 ± 0.065** | **11 / 15** | +0.12 | +0.10 | +0.01 | −0.03 |
+| ResNet-50 | 重み sqrt | 除外 | −0.004 ± 0.065 | 8 / 15 | −0.01 | +0.10 | −0.01 | −0.07 |
+| ResNet-50 | balanced | 込み | +0.016 ± 0.068 | 8 / 15 | +0.13 | +0.15 | −0.05 | −0.08 |
+| ResNet-50 | balanced | 除外 | −0.021 ± 0.071 | 4 / 15 | +0.06 | +0.07 | −0.04 | −0.09 |
+
+クラス別再現率の差の標準偏差は 0.1〜0.3 と大きい（各 fold の held_out に淡白・紫は 11〜12 人しかいないため）．
+
+## 分かったこと (Findings)
+
+1. **ConvNeXt-Tiny では重み `inverse` が安定して効く**．込み・除外とも common macro F1 が約 +0.04 上がり（11〜12/15 fold），除外では 0.632 となって ResNet-50 の最良（0.637）と並んだ
+2. **ResNet-50（学習率 1e-3）では効果がほとんど無い**．除外ではどの対策も ±0.02 の範囲で，上回った fold も半分以下．込みで `sqrt_inverse` だけが +0.043（11/15）
+3. **狙いどおり淡白・紫の再現率は上がる**が（多くの組み合わせで +0.1〜0.2），**淡紅・暗赤紅の再現率が下がる入れ替わり**が起きる（−0.03〜−0.12）．macro F1 の改善が小さいのはこのため
+4. **all（ややあり込みの全体）の macro F1 も上がる**（ConvNeXt・inverse で 0.510 → 0.546，ResNet-50・sqrt で 0.520 → 0.554）
+5. 3 通りの対策の中では，**重み `inverse` が最も安定**．`balanced` は同じ画像を何度も学習するためか効果が不安定で，ResNet-50 の除外では下がった
+6. 紫の再現率は対策後も 0.3〜0.55 に留まる．紫は枚数の少なさに加えて暗赤紅と色が近く（[TEST_02](TEST_02_データセット集計結果.md)．ΔE 4.6），不均衡対策だけでは解決しない
+
+## 注意 (Caveats)
+
+- 差の多くは fold 間のばらつき（標準偏差 0.05〜0.08）と同程度で，確定的に言えるのは「ConvNeXt・`inverse` はおおむね改善する」程度
+- ResNet-50 の学習率 1e-3 は TEST_03 で結果を見て選んだもので，その上に重ねた比較である（TEST_03「学習率について」）
+- 対策の種類と強さも結果を見て選ぶことになるため，最終的な構成は入れ子の交差検証など評価とは別のデータで選ぶ必要がある
+
+## 次の一手 (Next Steps)
+
+- 今後の基準の構成を「ConvNeXt-Tiny・重み `inverse`」または「ResNet-50（1e-3）」とし，学習率の公平な選び直し（入れ子の交差検証）と組み合わせる
+- 紫と暗赤紅の取り違えを混同行列で詳しく見る（紫の多くがどのクラスに流れているか）
+- 入力解像度を上げる（224 → 320 等）．色むらの細部が紫の判別に効く可能性がある
+
+## 実験 ID (Run IDs)
+
+手元の `runs/` に回収済み（`.gitignore` 対象）．名前の末尾 `_cwinv`・`_cwsqrt`・`_balanced` が対策を表す．実験 ID の日時は 2026-09-28 08:50〜10:12．
+
+```bash
+ls -d runs/*_f9d9ebd-dirty
+```
diff --git a/docs/PROGRESS.md b/docs/PROGRESS.md
index 54401e9..cc563fe 100644
--- a/docs/PROGRESS.md
+++ b/docs/PROGRESS.md
@@ -100,3 +100,13 @@
   - 止めた判断: 残り時間はあったが，学習率の調整をこれ以上重ねると評価データへの合わせ込みが強まるため，追加実験はせず Step 7 の計画（入れ子の交差検証で全モデル同じ候補から選ぶ）に回した
   - 未実施: ベースライン比較（Step 6）
   - 対応済み: 36 本の重み（約 12 GB）が Archimedes の共用ディスク（残り 40 GB・98%）を圧迫していたため，ユーザーの判断で削除した（空き 52 GB に回復）．重みは同じ設定で数分で作り直せる（ビット単位の一致はしない）．今後は保存するかを設定で選べるようにする
+
+## Step 7（一部）: クラス不均衡への対策
+
+- [x] **損失のクラス重み（`inverse`・`sqrt_inverse`）とバランス・サンプリングを追加し，2 モデル × 3 通り × 2 条件 × 3 seed で実験**: TEST_03 で紫・淡白の再現率が低かったため．結果は [TEST_04](06_TEST/TEST_04_クラス不均衡対策の実験.md)．
+  - 設計判断 ①: クラス重みは学習データでの平均が 1 になるよう正規化し，損失はバッチの件数で割る（PyTorch の `CrossEntropyLoss(weight=w)` の既定は重みの和で割るため正規化が効かない．tester の指摘で仕様に明記）．損失の大きさを対策なしと揃え，学習率の意味を変えない
+  - 設計判断 ②: 既定のままなら変更前と同じ学習になるようにし，対策なしの TEST_03 の結果と同じ分割で対応比較した
+  - 結果: ConvNeXt-Tiny では重み `inverse` が安定して効く（込み・除外とも common macro F1 +0.04，11〜12/15 fold．除外で 0.632）．ResNet-50（1e-3）ではほぼ効かない．淡白・紫の再現率は +0.1〜0.2 上がるが淡紅・暗赤紅が下がる入れ替わりがあり，macro F1 の改善は小さい．紫は対策後も 0.3〜0.55
+  - 失敗パターン: キュー完了後の自動回収が，長くなったジョブログの末尾しか読めず 36 本中 27 本しか拾えなかった → サーバ上の実験ディレクトリの一覧から回収し直した．以後，回収はログではなくディレクトリの一覧を正とする
+  - 速度の調査: 学習中の GPU 使用率は平均 86% で計算律速（データ準備は余裕あり）．性能を変えずに速くするなら channels_last・bf16（1〜3 割の見込み）や GPU の並列利用が候補（未実施）
+