族群層級嵌入

指許多神經元聯合活動的低維表徵，其學習方式使幾何反映行為或潛在變數，且在不同紀錄間保持一致。在基礎模型的觀點下，嵌入即是可遷移的介面：預訓練一次、凍結它，再接上輕量的任務專屬讀出層，而非為每個場次訓練專用解碼器。方法包括對比式方案（CEBRA）、變分自編碼器（pi-VAE），以及預訓練 transformer 的潛在瓶頸。

此概念與神經流形及潛在動力學文獻重疊，但此處重點不同。潛在動力學研究探問支配狀態的動力學定律；表徵學習則追求一個可遷移、可辨識且一致的嵌入——其幾何可被信賴地跨受試者與跨日對齊。可辨識性保證（達已知變換內）之所以珍貴，是因為它讓你能在不同動物間比較嵌入，而非把每個都當成孤立的座標系。