主动学习是一种标记高效的方法，通过交互式地选择一小部分未标记数据进行标记和训练，从而训练出高效的模型。在“开放世界”设置中，感兴趣的类只占整个数据集的一小部分——大多数数据可能被视为非分布或无关类。这导致了极端的类别不平衡，我们的理论和方法都集中在这个核心问题上。我们提出了一种新的主动学习策略，称为GALAXY (Graph-based active learning At the eXtrEme)，它融合了基于图的主动学习和深度学习的思想。与大多数主动学习方法相比，GALAXY能够自动自适应地选择更多类别平衡的样本进行标记。我们的理论表明，GALAXY执行了一种精细的不确定性抽样，它比普通的不确定性抽样收集了更类平衡的数据集。通过实验，我们证明了在从流行数据集生成的不平衡视觉分类设置中，GALAXY优于现有的先进深度主动学习算法。