CEBRA 是一种创新的机器学习方法，专门设计用于压缩时间序列数据，以揭示数据变异性中隐藏的结构。这种方法在处理同时记录的行为和神经数据方面表现出色，能够解码小鼠大脑视觉皮层的活动，从而重建观看的视频。CEBRA 的应用不仅限于此，它还可以用于大鼠海马体数据的分析，展示位置/神经活动，并通过解码获得的重叠信息。此外，CEBRA 在小鼠初级视觉皮层的应用也取得了显著成果，通过使用 DINO 帧特征作为标签，将 2-photon 和 Neuropixels 记录嵌入到 CEBRA 中，并使用 kNN 解码器对测试集中的 CEBRA-Behavior 嵌入进行解码，从而解码视频帧。
CEBRA 的核心目标是将行为动作映射到神经活动，这是神经科学的一个基本目标。随着我们记录大量神经和行为数据的能力增强，对在适应性行为期间建模神经动态以探测神经表示的兴趣也在增长。特别是，神经潜在嵌入可以揭示行为的潜在相关性，然而，我们缺乏能够明确且灵活地利用联合行为和神经数据来揭示神经动态的非线性技术。CEBRA 填补了这一空白，它是一种新颖的编码方法，联合使用行为和神经数据，以（监督）假设或（自监督）发现驱动的方式产生一致且高性能的潜在空间。
我们展示了如何将一致性用作揭示有意义差异的度量，以及如何将推断的潜在用于解码。我们验证了其准确性，并展示了我们工具在钙和电生理数据集、跨感官和运动任务以及在简单或复杂行为跨物种中的实用性。它允许利用单次和多次会话数据集进行假设测试，或者可以无标签使用。最后，我们展示了 CEBRA 可以用于空间映射，揭示复杂的运动学特征，在 2-photon 和 Neuropixels 数据之间产生一致的潜在空间，并能够从视觉皮层提供快速、高精度的自然电影解码。
