نُقدِّم إطارًا جديدًا للتعلم النشط يعتمد على عينة (pool-based) مبني على شبكة تفاعلية متسلسلة (Sequential Graph Convolution Network - GCN). حيث يُمثّل كل ميزة صورة من مجموعة بيانات كعقدة في الرسم البياني، بينما تمثل الحواف تشابه هذه الصور. وباستخدام عدد قليل من الصور المُستَمَدة عشوائيًا كعينات مُعلَّمة أولية، نُدرّب معلمات الرسم البياني لتمييز العقد المُعلَّمة مقابل غير المُعلَّمة من خلال تقليل خسارة الترميز الثنائي (binary cross-entropy loss). تقوم شبكة GCN بعمليات تبادل الرسائل بين العقد، مما يؤدي إلى استخلاص تمثيلات مشابهة للعقد المرتبطة بقوة. نستغل هذه الخصائص لاختيار الأمثلة غير المُعلَّمة التي تختلف بشكل كافٍ عن الأمثلة المُعلَّمة. ولتحقيق ذلك، نستخدم تمثيلات العقد في الرسم البياني ودرجات ثقتها، ونُطبّق تقنيات استخلاص العينات مثل CoreSet والطرق القائمة على عدم اليقين لاستدعاء العقد. نقوم بعكس التسمية للعقد المُستَدعاة حديثًا من غير مُعلَّمة إلى مُعلَّمة، ثم نُعيد تدريب النموذج لتحسين المهمة التالية (downstream task) وتحديث الرسم البياني لتقليل دالة الهدف المُعدَّلة. نستمر في هذه العملية ضمن ميزانية ثابتة. وقد قُمنا بتقييم منهجنا على ستة معايير مختلفة: أربعة مجموعات بيانات تصنيف صور حقيقية، وواحدة لتقدير وضع اليد بناءً على بيانات العمق، وواحدة أخرى لتصنيف صور RGB اصطناعية. وقد تفوق منهجنا على عدة أساليب تنافسية مثل VAAL وLearning Loss وCoreSet، وحقق أداءً جديدًا لحالة الفن (state-of-the-art) في تطبيقات متعددة. يمكن العثور على التنفيذات على الرابط التالي: https://github.com/razvancaramalau/Sequential-GCN-for-Active-Learning