高斯過程因子分析（GPFA）

GPFA 藉由結合兩項傳統上分開進行的操作，來擷取平滑、低維的單試驗神經軌跡。因子分析將高維的分箱放電率降維為少數潛在因子，同時明確地建模每個神經元的私有變異；而對每個潛在維度施加的高斯過程先驗，則以從資料學得的時間尺度賦予時間上的平滑性。由於降維與平滑是聯合擬合的，GPFA 能在單一試驗上還原出乾淨的軌跡，而樸素的先分箱再 PCA 做法則不是過度平滑，就是讓低維訊號淹沒於雜訊之中。

GPFA 之所以成為觀察群體動力學的標準第一步，是因為它不需要行為標籤，並讓每個潛在維度擁有自己的平滑度。其假設限定了適用範圍：觀測模型是套用於（通常經平方根轉換的）分箱計數上的線性高斯模型，各潛在變數在先驗上被建模為彼此獨立，且推論是離線且非因果的，因此 GPFA 是一種分析與視覺化工具，而非即時解碼器。當目標是因果的閉迴路估計時，非線性與動力學的後繼方法會放寬這些假設。