본 논문은 머신 러닝 모델 구축 시 최적의 훈련 샘플 선택을 제공하는 능동 학습(Active Learning)의 비효율성을 지적하고, 모델의 분산 대신 편향을 최소화하는 새로운 접근 방식을 제안한다. 델타-ML(Δ-ML) 또는 다중 충실도 머신 러닝에서 알려진 저비용 저충실도 데이터를 활용하여 편향을 근사하며, 특정 응용 분야에서 최적의 탐욕적 샘플 선택 절차에 거의 정확히 일치하는 성능을 달성한다. 양자 화학 분야의 여기 에너지 및 ab initio 포텐셜 에너지 표면 예측과 같은 다양한 응용 분야에서 제안된 방법은 표준 능동 학습에 비해 훈련 데이터 소비량을 최대 10배까지 줄인다.
