Pearson

§ 01综述

Pearson（皮尔逊相关系数）是统计学中度量两个变量间线性相关程度的指标，取值范围[-1,1]，在机器学习和数据科学中广泛用于特征筛选与模型诊断。近期，多篇AI领域研究从不同角度涉及了Pearson相关性的应用与扩展。

Pearson在神经网络可解释性中的进展

神经网络内部表示的Patnaik-Pearson维度提出了一种基于Pearson相关系数的新维度概念，用于量化神经网络内部表示的相关结构，为理解模型行为提供了新工具。

谷歌发布SensorFM AI模型：500万人、1万亿分钟可穿戴数据预训练尽管未直接提及Pearson，但此类大规模可穿戴数据必然依赖相关性分析进行特征降维与模式发现，Pearson系数是其中的基础统计量。

当前焦点与观察点

当前，Pearson相关系数仍是AI领域最常用的统计工具之一，但也面临局限性：它仅捕捉线性关系，对非线性关联不敏感。因此，Patnaik-Pearson维度等扩展工作试图在深度学习表示中挖掘更丰富的结构信息。此外，大规模预训练模型（如SensorFM）和LLM安全评估的兴起，对相关性的稳健性提出了新要求——例如在分布偏移下，Pearson系数可能失效。未来，结合互信息、距离相关性等指标的混合方法或成趋势。

§ 02相关报道08 条在档

§ 03邻近话题