統計モデルを用いたアクティブラーニングの枠組みを確立し、情報理論の観点から「どのサンプルにラベルを付けるのが最も有益か」という問いを明確にした。
モデルが最も不確実な予測をするデータポイントを特定し、そのラベルを要求する「不確実性サンプリング」という最も代表的なアクティブラーニング戦略を形式化した。
アノテーションタイプ、クエリ戦略、深層モデルアーキテクチャ、学習パラダイム、トレーニングプロセスなど5つの観点からDAL(深層能動学習)手法の分類を体系的に提供し、それぞれの長所と短所を客観的に分析する。
次に、自然言語処理（NLP）、コンピュータービジョン（CV）、データマイニング（DM）などにおけるDALの主な応用を包括的にまとめる。