本文介绍了一种名为Learning To Sample的新型基于学习的主动学习方法，通过优化不确定性和多样性选择最具代表性和信息量的样本。作者验证了该方法在图像分类、薪资水平预测和实体解析等任务上的有效性，并指出它特别适用于类别不平衡的数据集和解决冷启动问题。

该文介绍了一种名为 Learning To Sample 的主动学习方法，能够通过不确定性和多样性的优化整合来主动选择最具代表性和信息量的样本，并在多个任务上验证了其有效性，特别适用于类别高度不平衡的数据集，还能够有效解决现有主动学习方法中出现的冷启动问题。