Nous proposons une nouvelle méthode de classification qui vise à sélectionner la représsentation la plus adéquate pour chaque entrée à classifier, contrairement aux méthodes usuelles qui consistent à sélectionner une représentation globale à tout un jeu de données. Cette représentation locale est apprise à l’aide d’un risque empirique régularisé qui est une extension du risque régularisé L 0 . Le problème de classification est modélisé comme un processus séquentiel de décision qui, à chaque étape, choisit, pour chaque entrée, les caractéristiques à utiliser afin de bien classer. Le modèle obtenu possède une complexité d’inférence équivalente à celle d’un classifieur linéaire classique, tout en utilisant moins de caractéristiques en moyenne. Nous comparons notre classifieur aux classifieurs régularisés L 1 classiques (L 1 -SVM et LARS) sur un ensemble de jeux de données classiques et nous montrons que, à nombre égal de caractéristiques, notre méthode obtient de meilleures performances.