相比于传统神经解析工具，这项成果大大提高了识别效率和连续性。
Nature的编辑也评价它“十分优雅”：
这款模型名叫CEBRA（发音同zebra），是将对比式学习与非线性独立分析相结合的产物。
一名团队成员表示，这个名字十分贴切，因为CEBRA可以把信息“条纹化”，就像斑马一样。
在小鼠身上进行的实验中，CEBRA视频解析的准确率超过了95%。
团队还发现，CEBRA在跨越大鼠和小鼠两个物种时的表现具有一致性。
所以可以展望CEBRA在其他物种上的应用，说不定人眼摄像机也会成为可能。
论文通讯作者也表示，未来的目标是将CEBRA集成到脑机接口中：
本质上，CEBRA是一个神经信号解析模型。
所以它的技能不只有图像获取，只要和神经信号有关的事情，它都能做。
比如根据神经活动来预测肢体的运动行为。
还可以根据神经信号判断肢体活动是主动还是被动做出。
对比式非线性学习
行为或神经数据的降维压缩一直是神经信号识别中不可缺少的一环。
研究团队将对比式学习引入非线性独立成分分析模型，提出了新的框架。
对比式学习是一种强大的自驱动学习方式，使用呈现对比关系的样本进行训练，以发现数据间的共性与个性。
用CEBRA的模型训练神经网络，可以得到一种编码器。
这种编码器则可以生成由动作或时间调控的低维嵌入空间。
具体而言，是通过将离散或连续的变量与时间相结合使数据对得到分布，然后再交由编码器处理。
CEBRA获取神经活动嵌入时同时使用用户定义（监督驱动、假设式）和只带有时间（自驱动、发现式）的标签。
这一过程中，CEBRA将行为及时间标签与神经信号一并优化，映射到低维嵌入空间。
根据数据集大小的不同，优化计算可以采用批量计算、随机梯度下降等不同方式。
优化后得到的低维嵌入既可以用于数据可视化，也可以在解码等下游工作中使用。
相比于传统的非线性降维方式，对比式训练无需生成模型，适用广泛性更强。
鲁棒性与实用性兼具
然后，团队又使用了一个海马数据集进行测试，该数据集被用来作为神经嵌入算法的基准。
在这一轮测试中，团队赋予了pi-VAE卷积网络加持，但最终结果仍是CEBRA更胜一筹。
鲁棒性方面，团队使用了代数拓扑学方法进行测试。
将CEBRA生成的低维嵌入投影到球面，团队发现了一个环形拓扑结构。
通过计算Eilenberg-MacLane坐标发现，CEBRA的环形拓扑结构与（真实）空间跨维度匹配。
至于跨个体甚至物种的表现，团队在训练时就使用了包含多种动物的数据集。
测试结果也表明，CEBRA生成的结果具有很高的个体间和种间一致性。
与完全在未见过的个体上进行训练相比，CEBRA的结果错误更少、效率也更高。
实际应用中，团队在小鼠身上进行了实验。
他们让小鼠反复观看几段视频，并与小鼠视觉皮层的信号一并作为训练数据。
另有一些视频则用作测试数据，结果显示，CEBRA视频解析的准确率超过了95%，远高于其他模型。
论文地址：
https://www.nature.com/articles/s41586-023-06031-6
项目主页：
https://github.com/AdaptiveMotorControlLab/CEBRA