提出了一个新颖的主动式深度多实例学习方法，该方法采样少量信息实例进行注释，旨在显著提高实例级预测。通过设计方差正则化损失函数来平衡实例级别预测的偏差和方差，以便有效控制多实例学习中高度不平衡的实例分布及其他基本挑战，并通过分布鲁棒的袋级似然作为其凸替代，使得其能够平衡偏差和方差，通过强大的理论保证提供方差基于 MIL 损失的良好近似。然后，将该鲁棒性袋似然与深度体系结构自然集成，以支持使用正负袋对的小批量进行深度模型训练。最后，开发了一个结合概率向量和预测实例得分的新型 P-F 采样函数，可以探索最具挑战性的袋并有效地检测其正实例进行注释，从而显著改进实例级预测。多个真实世界数据集上的实验清楚地证明了该模型所达到的最先进实例级预测性能。