本手法は収集に偏りのあるラベルの付いていない訓練データから、モデルを学習させる上で最も効果が高いと考えられるデータを選択するアプローチをとっている。最適な選択をする関数は、ラベルなし訓練データと検証データとの間の分布シフト(Kullback–Leibler)の最小化と定式化できる。各層の出力とそのフィッシャー行列の積から特徴マッチングを行い、重要なデータとその疑似ラベルを取得する。

クラスバランスを調整したMNIST, SVHN, ImageNetの分類実験で評価を行った。提案したFKベースの手法は、従来手法の1/10の処理量で高い精度を発揮した。また、ラベリング量は従来手法の40%で十分であることが実験的に明らかになった。