أدت التطورات الحديثة في التعلم العميق إلى زيادة كبيرة في قدرات التعرف على الوجه. ومع ذلك، لا يزال التعرف على الوجه في بيئة غير مُحدَّدة يُعدّ تحديًا بحثيًا نشطًا. وقد حظيت المتغيرات مثل الوضعية والدقة المنخفضة باهتمام كبير، ولكن يُعتبر "التكيف" (disguise) متغيرًا مُرهقًا في التعرف على الوجه. وسبب ذلك الرئيسي هو نقص قواعد البيانات الكبيرة والتمثيلية. ولحل مشكلة التعرف على الوجوه المُتَغَيِّرة، نقترح إطارًا تعلمًا نشطًا يُسمى A-LINK، يُختار فيه عينات التدريب بشكل ذكي من بيانات المجال المستهدف، بحيث لا يُفرَط في التخصيص للحدود القرار بالنسبة لمجموعة معينة من التغيرات، ويُحسّن التعميم لتمثيل التباين. ويُطبَّق الإطار كذلك تقنية التكيُّف بين المجالات (domain adaptation) باستخدام عينات التدريب المُختارة نشطًا لضبط شبكة الشبكة العصبية بدقة. ونُظهر فعالية الإطار المقترح على مجموعتي بيانات DFW وMulti-PIE باستخدام نماذج حديثة من طراز LCSSE وDenseNet.