大多数现有的特征选择方法都是通过评估衡量其保留数据图相似结构能力的标准来选择特征的。 然而,这些方法构建二分或学习的基础数据图表和随后的特征排名的过程。 一旦确定了图表以表征相似性数据的结构,就可以在随后的排名或回归步骤中将其固定。 结果,特征选择的性能在很大程度上取决于图构建步骤的有效性。 构造有效相似度图的关键是确定数据相似度矩阵。 在本文中,我们执行估计或学习数据相似性矩阵和数据回归作为同时任务的问题,以执行无监督的光谱特征选择。 我们的新方法通过根据局部距离或不相似度为每个数据点最佳地重新分配邻居来学习数据相似度矩阵。 同时, 将2,1-范数应用于转换矩阵以实现行稀疏性,从而导致选择相关特征。 我们推导了一种有效的优化方法来解决同时特征相似度图和特征选择问题。 广泛的实验实际基准数据集上的结果表明,我们的方法一致性优于其他特征选择方法。