En este documento, presentamos un novedoso algoritmo de selección de características multi-objetivo que incorpora el aprendizaje de gráficos adaptativos y correlaciones de objetivos. Específicamente, nuestro enfoque propuesto introduce la restricción de rango bajo en la matriz de regresión, lo que nos permite modelar tanto las relaciones entre objetivos como las relaciones de entrada-salida dentro de un marco unificado. Para preservar la estructura de similitud de las muestras y mitigar la influencia del ruido y los valores atípicos, aprendemos una matriz de gráficos que captura la similitud de muestra inducida. Además, introducimos un regularizador de variedad para mantener las correlaciones globales de objetivos, asegurando la preservación de la relación global de objetivos durante los procesos de aprendizaje posteriores. Para resolver la función objetivo final, también proponemos un algoritmo de optimización. A través de experimentos extensos en ocho conjuntos de datos del mundo real, demostramos que nuestro método propuesto supera a las técnicas de selección de características multi-objetivo de vanguardia.