本文提出了一种基于希尔伯特-施密特独立性准则（HSIC）的特征选择框架，旨在统一分类和回归问题。通过后向逐步消除算法，该方法最大化特征与标签之间的相关性，并在多个数据集上验证了其有效性。同时，研究探讨了自我监督学习和非参数统计假设检验，显示出HSIC在依赖性测量和独立性检验中的优势。