跨紀錄場次的對齊

指把不同日期或不同陣列的紀錄，即便觀測到的單元已改變，仍置入共同表徵空間的子問題。經典的「縫合」為每個場次學習一組輸入與輸出層，將各場次特有的通道映入並映出單一共享潛在空間（如多場次 LFADS）。現代基礎模型式作法則改為學習逐場次或逐單元的身分嵌入——有時稱為單元辨識——如此加入新場次僅需學習其小量嵌入，而主幹維持不變。第三類則以 Procrustes／CCA、對抗式域適應或循環一致性直接對齊潛在流形。

此與抗漂移解碼有所重疊，但取向不同：抗漂移旨在讓單一解碼器隨時間保持穩定；此處則旨在建立一個同時橫跨多場次的模型，使得共享且場次不變的表徵一開始就存在。良好的對齊，正是使跨場次遷移與匯集式預訓練成為可能的關鍵。