빅 데이터 시대에 특징 엔지니어링은 원래 특징에서 차원을 줄이고 유용한 정보를 추출하는 데 있어 효율성과 중요성을 입증했다. 특징 엔지니어링은 치수 감소로 표현될 수 있으며 특징 선택 및 특징 추출과 같은 두 가지 유형의 방법으로 나뉜다. 각 방법에는 장단점이 있다. 이 방법들을 결합하기 위한 많은 연구가 있다. 희소 자동 인코더(SAE)는 특징 선택과 특징 추출을 결합한 대표적인 심층 특징 학습 방법이다. 그러나 기존 SAE는 훈련 중 기능의 중요성을 고려하지 않는다. 관련 없는 정보를 추출하게 된다. 본 논문에서, 우리는 두 개의 병렬 안내 계층과 희소성 제약조건으로 정보를 안내하기 위한 평행 가이드 희소자동 인코더(PGSAE)를 제안한다. 평행 가이딩 레이어는 분포 차이의 메트릭인 와서스테인 거리를 사용하여 주 분포를 유지하고, 과적합을 방지하기 위해 가이드 특징의 평균을 억제한다. 우리는 서로 다른 차원 및 샘플 수를 가진 4개의 데이터 세트를 사용하여 실험을 수행한다. 제안된 PGSAE 방법은 다른 차원 감소 방법에 비해 더 나은 분류 성능을 산출한다.