自然发生的数据量正在以巨大的数量增长,这给赋予它们高质量的标签以学习良好的模型带来了巨大的挑战。 因此,至关重要的是仅选择信息最丰富的数据点进行标记,然后将其植入主动学习的框架中。 我们从最佳实验设计(OED)的回归模型中研究了此问题。 为此,已经开发了几种基于OED的方法,但数据点与它们的预测之间的关系仍未得到充分探索。 受此启发,我们采用了希尔伯特-施密特独立性准则(HSIC),以全局视角最大化样本及其估计之间的依赖性。 因此,我们提出了一种新的主​​动学习方法,即通过依赖最大化(MODM)进行的流形最优实验设计。 具体地,预期将与它们的预测具有最大依赖性的那些点包括在内以进行标记。 此外,它利用图拉普拉斯算子来保留数据的局部几何结构。 这样,可以更好地选择最有用的数据点。 此外,我们采用顺序策略来优化目标函数。 该算法的有效性已经在基于内容的图像检索中得到了实验验证。