本文介绍了一种改进的主动学习方法，通过边际杠杆得分抽样与非独立抽样策略相结合。作者提出了一个基于关键抽样算法的简单实现方法，并在学习参数化PDEs和不确定性量化的问题上进行了测试。该方法可以将样本数量减少最多50％。作者通过两个理论结果支持了这一发现，并证明了该方法在d维线性函数的样本主动学习中与独立抽样相匹配。对于多项式回归的重要案例，该方法获得了O(d)的改进界。

该研究提出了一种新的基于差异的主动学习方法，通过减小类激活图与真实结果之间的差距来提高性能。使用WCE数据集评估，结果表明该方法优于最先进的主动学习方法，并且在只标记了10%的训练数据的情况下达到与完全标记数据集训练的方法相当的性能。

ALFA-Mix是一种新型批量主动学习方法，通过分析未标记实例的预测结果中的不一致性来确定具有明显特征的实例。在12个基准测试中，ALFA-Mix在30种不同的设置中表现优于其他主动学习方法，尤其在低数据量情况和自训练视觉转换器方面。ALFA-Mix的性能超过了该领域现有技术的59％和43％。