LFADS（透過動力系統的潛在因子分析）

LFADS 由 Pandarinath、Sussillo 等人（2018）提出，是一種序列式（循環）變分自編碼器，把一群尖峰序列建模為由低維非線性動力系統所生成。它針對每個試次推得一個初始條件與一組推斷輸入，驅動一個生成器 RNN，其輸出在卜瓦松觀測模型下參數化每個神經元隨時間變化的放電率。成果是對單試次神經活動的大幅去噪，改善下游解碼並揭露被尖峰雜訊掩蓋的動力學結構。

LFADS 把運動皮質的動力系統觀點具體化為實用的推論工具，但它運算沉重，需審慎正則化以免生成器藉推斷輸入（而非其動力學）來解釋資料，且如同所有此類潛在變數模型，只能將各因子還原至任意的平滑座標變換，因此潛在變數並非唯一可詮釋。