La sélection de sous-ensembles à partir de données massives contenant des informations bruitées gagne en popularité pour diverses applications. Ce problème reste cependant très complexe, car les méthodes actuelles sont généralement lentes et sensibles aux valeurs aberrantes. Pour répondre à ces deux défis, nous proposons une méthode de sélection de sous-ensembles accélérée et robuste (ARSS). Dans le domaine spécifique de la sélection de sous-ensembles, il s'agit de la première tentative d'utiliser une mesure basée sur la norme $\ell_{p}(0<p\leq1)$ℓp​(0<p≤1) pour la perte de représentation, ce qui permet d'éviter que les grandes erreurs ne dominent notre objectif. En conséquence, la robustesse face aux éléments aberrants est considérablement améliorée. En réalité, la taille des données est généralement beaucoup plus grande que la longueur des caractéristiques, c'est-à-dire $N \gg L$N≫L. Sur cette base, nous proposons un solveur accéléré (via ALM et des dérivations équivalentes) pour réduire considérablement le coût computationnel, théoriquement de $O(N^{4})$O(N4) à $O(N^{2}L)$O(N2L). De nombreuses expériences menées sur dix jeux de données de référence montrent que notre méthode non seulement surpassent les méthodes les plus avancées actuellement disponibles, mais aussi qu'elle est plus de 10 000 fois plus rapide que la méthode la plus proche.Note: "ALM" stands for "Augmented Lagrangian Method" in French as well. If you prefer to keep it in English or need further clarification, please let me know.