我们提出了一种新的变量选择和估计的惩罚方法，该方法明确地结合了预测因子之间的相关模式。该方法基于极小极大凹罚函数和与图相关的拉普拉斯二次函数作为罚函数的组合。我们称之为稀疏拉普拉斯收缩（SLS）方法。SLS使用最小最大凹惩罚来鼓励稀疏性，使用拉普拉斯二次惩罚来促进与相关预测因子相关的系数之间的平滑性。SLS对于拉普拉斯二次型表示的图具有广义分组性质。我们证明了SLS具有预言性质，即它是选择一致的，并且等于具有高概率的预言拉普拉斯收缩估计。该结果适用于稀疏、高维设置第页≫n个在合理的条件下。我们推导了计算SLS估计的坐标下降算法。对SLS方法的性能进行了仿真研究，并以实际数据为例说明了其应用。