Answers:
其实不行
这样的问题有点笼统，并把两件事联系在一起。过度拟合通常是与概括描述相反的品质；在某种意义上，过度拟合（或过度训练）的网络将具有较小的泛化能力。这种质量主要取决于网络体系结构，培训和验证过程。数据及其属性仅以“训练过程发生的内容”形式输入。这或多或少是“教科书知识”；您可以尝试James，Witten，Hastie和Tibshirani撰写的“统计学习入门”。或Bishop的“模式识别”（我最喜欢的关于一般主题的书）。或也由Bishop撰写的“模式识别和机器学习”。
对于关联本身：考虑具有特定维度的输入空间。无论您使用什么变换，维数都将保持不变-线性代数如此。在一种情况下，给定的基数将完全不相关-这就是在解除变量相关性或仅应用PAT（原理轴变换）时得到的结果。为此，请拿任何线性代数本。
由于具有适当架构的神经网络可以对任何（！）函数进行建模，因此可以放心地假设，它也可以首先对PAT进行建模，然后再执行其应做的任何事情-例如分类，回归等。
您还可以将相关性视为一项功能，该功能应作为神经网络描述的一部分，因为它是数据的属性。关联的性质并不是很重要，除非它不应该成为数据的一部分。这实际上是一个不同的主题-您应该对输入中的噪声进行建模或量化，并加以考虑。
因此，总之不。关联数据意味着您应该更加努力地使数据的处理在技术上更简单，更有效。过度拟合可能发生，但不会发生，因为存在相关数据。