Fithian和Hastie[7]提出了一种称为局部病例对照（LCC）抽样的抽样方案，该方案通过利用与逻辑模型相关的巧妙调整来实现稳定性和效率。它特别适用于大数据和不平衡数据的分类。本文基于一个工作原理，提出了一种更通用的采样方案，即如果数据点包含更多信息或出现“令人惊讶”的情况，例如，导频预测误差较大或绝对分数较大，则应获得更高的采样概率。与文献[7]和[1]中报告的相关现有抽样方案相比，所提出的方案具有若干优点。它自适应地给出了各种目标的最佳形式，包括LCC和[1]作为特殊情况。在相同的模型规范下，该估计器的性能也不比文献中的差。即使模型指定错误和/或导频估计器不一致或依赖于完整数据，估计程序仍然有效。我们从理论上证明了所声称的估计和抽样设计的优点和最佳性。与[1]不同的是，我们的大样本理论是人口层面的，而不是数据层面的。此外，所提出的方法可以应用于无监督学习研究，因为它本质上只需要一个特定的损失函数，不需要数据的响应协变量结构。进行了数值研究，并给出了支持该理论的证据。