该论文提出了一种简单高效的方法来减轻主动学习中的采样偏差，并实现了最先进的精度和模型鲁棒性。通过引入无偏查询策略，选择具有多样特性表示的信息性数据样本，实验结果表明，该方法在主动学习设置中具有较快的查询计算速度，并在对抗性数据集转移和预测真实分布方面具有显着优势。