近日，我院教师郭双乐、韩学艳、苏英合作完成的研究成果发表于国际知名学术期刊《Applied Soft Computing》。论文题为“A sparse regression framework for feature selection via joint optimization of labels and projections”，郭双乐为论文第一作者和通信作者。《Applied Soft Computing》是Elsevier（爱思唯尔）旗下期刊，入选中国科学院SCI计算机科学大类TOP期刊，最新影响因子为7.802，五年影响因子为7.396，自引率为9.0%。

针对传统有监督特征选择方法依赖固定标签编码、难以刻画类别间潜在相似关系的问题，该论文提出了一种自适应标签编码稀疏回归（ALCSR）框架，通过联合优化标签编码矩阵与特征投影矩阵，使标签表示能够根据数据自身的类别结构自适应调整。在此基础上，构建了具体算法ALC-SLSR，将平方误差回归损失、ℓ₂,₁范数行稀疏正则化与广义正交约束相结合，并设计了具有收敛保证的迭代优化算法，实现了自适应标签表示学习与有效特征选择的统一。

该论文在Chess、Control、ORL、MNIST、CMU-PIE等11个基准数据集上开展了系统实验。结果表明，在SVM和逻辑回归两种下游分类器下，ALC-SLSR在F1分数和分类准确率四项评估设置中均取得最佳平均排名，整体性能优于多种代表性特征选择方法。消融实验和可解释性分析进一步验证了自适应标签编码机制的有效性及其学习到的类别结构稳定性。

该研究为突破传统固定标签编码方式的局限、提升高维数据特征选择性能提供了新的研究思路，对机器学习、模式识别及智能分类等领域具有一定的参考价值，体现了我校信息工程学院在机器学习与特征选择方向的科研创新能力。

论文原文链接：https://doi.org/10.1016/j.asoc.2026.116347