Las arquitecturas de MIMO masivo de ondas milimétricas (mmWave) y terahercios (THz) son fundamentales en el avance de las comunicaciones móviles. Estos sistemas utilizan convencionalmente libros de códigos para facilitar la conexión inicial y gestionar las tareas de transmisión de información. Sin embargo, los libros de códigos tradicionales suelen estar compuestos por numerosos haces de un solo lóbulo, lo que conlleva una sobrecarga sustancial en el entrenamiento de haces. Aunque se han propuesto enfoques basados en redes neuronales para mitigar la carga de entrenamiento de haces, a veces no consideran adecuadamente a los usuarios minoritarios dispersos en varias regiones. La equidad en la cobertura del libro de códigos depende de abordar este problema. Por lo tanto, proponemos una metodología de aprendizaje desequilibrado (IL) para la construcción de libros de códigos de haces, diseñada explícitamente para escenarios caracterizados por una distribución desequilibrada de usuarios. Nuestro método comienza con una fase de preagrupamiento, donde los canales de los usuarios se dividen en subconjuntos en función de su respuesta de potencia a los vectores de combinación en distintas subáreas. Luego, cada subconjunto se perfecciona mediante un submodelo dedicado, que contribuye al modelo global en cada iteración de IL. Para facilitar el intercambio de información entre submodelos durante las actualizaciones globales, introducimos el mecanismo de pérdida focal. Nuestros resultados de simulación corroboran la eficacia de nuestro marco de IL en mejorar el rendimiento de los sistemas de MIMO masivo de ondas milimétricas y terahercios bajo condiciones de información de estado de canal imperfecta y distribución desequilibrada de usuarios.