أداء الشبكات العصبية العميقة يتحسن مع زيادة البيانات المصححة. المشكلة هي أن ميزانية التصحيح محدودة. أحد الحلول لهذا问题是 التعلم النشط، حيث يقوم النموذج بطلب من البشر تصحيح البيانات التي يعتبرها غير مؤكدة. تم اقتراح مجموعة متنوعة من الطرق الحديثة لتطبيق التعلم النشط على الشبكات العميقة، ولكن معظم هذه الطرق إما مصممة خصيصًا للمهام المستهدفة أو غير فعالة حسابيًا للشبكات الكبيرة. في هذا البحث، نقترح طريقة تعلم نشط جديدة بسيطة ولكنها مستقلة عن المهمة، وتعمل بكفاءة مع الشبكات العميقة. نربط وحدة صغيرة ذاتية المعلمة، تُسمى "وحدة التنبؤ بالخسارة" (loss prediction module)، بشبكة مستهدفة، ونتعلم منها لتوقع الخسائر المستهدفة للمدخلات غير المصنفة. ثم يمكن لهذه الوحدة اقتراح البيانات التي من المحتمل أن ينتج عنها النموذج المستهدف تنبؤًا خاطئًا. هذه الطريقة مستقلة عن المهمة حيث يتم تعلم الشبكات من خسارة واحدة فقط بغض النظر عن المهام المستهدفة. قمنا بتحقق دقيق من طرحتنا من خلال تصنيف الصور، وكشف الأشياء، وتقدير وضع الإنسان باستخدام أحدث هياكل الشبكات. أظهرت النتائج أن طرحتنا تتفوق باستمرار على الطرق السابقة في جميع المهام.