在有限标注预算下，综合主动学习、半监督和弱监督策略，优化标注资源分配，最大化模型精度。
在不确定性采样基础上，用密度信息对样本加权，避免挑选孤立异常点，提升标注效率。
根据候选样本对当前模型参数或梯度的影响程度进行排序，选择能使模型发生最大改变的样本。
维护一个模型委员会，挑选委员会成员预测分歧最大的样本提交人工标注。
深入主动学习中基于不确定性的采样方法，选取预测概率最摇摆不定的样本进行人工标注。
对比最小置信度、边缘采样、熵采样及考虑多样性的查询策略，高效选择样本进行人工标注。