將其視為分布偏移
把這一切想清楚的乾淨方式是：訓練與部署取自不同的分布。用機器學習的語言來說，這是共變量偏移，而更棘手的是類別條件編碼本身的漂移。
神經非平穩性是編碼 p_t(x|y) 的漂移。固定解碼器暗中假設第 0 天的後驗 p_0(y|x)；一旦編碼移動，該後驗便被錯誤設定。
留意偏移的方向。在電腦視覺中，共變量偏移通常指輸入 p(x) 移動、而標記規則 p(y\mid x) 固定。但在腦機介面中，是編碼 p_t(\mathbf x\mid y) 在移動——同一個意圖隨時間產生不同的神經特徵。這正是為何一般的領域適應配方，必須注入神經領域特有的結構，在此才可能奏效。
基於意圖的重新標記：ReFIT 與 CLDA
讓皮質內游標控制變得穩健的突破，在於認識到：你往往不必詢問就知道標籤。若使用者正試圖擊中一個可見目標，他們每一瞬間的意圖速度都指向那個目標。ReFIT正是利用這一點。
ReFIT 的意圖估計：將觀測到的游標速度旋轉為直指已知目標，同時保留其速率。這從任務結構中製造出自我監督的標籤，無須額外的校準區塊。
有了這些推得的標籤，你便重新擬合卡爾曼濾波器——這個「以回饋意圖重新校準訓練」的步驟正是 ReFIT 名稱的由來。閉迴路解碼器適應（CLDA）將此概念一般化：在使用當下，依持續推得的意圖更新解碼器參數，使解碼器追蹤緩慢變化，而不必等待下一個校準區塊。
共適應：兩個學習者、一個迴路
一旦解碼器在線上適應、而使用者同時也在學習，你就有了單一回饋迴路中的兩個適應系統——即雙學習者問題。做得好，共適應是一個良性循環：使用者塑造出穩定、可解碼的策略，而解碼器也走到中途與之會合。做得不好，兩者則互相追逐，直到陷入不穩定。
監督式重新校準的上限
為何不就此打住？因為監督式的閉迴路重新校準有一道由三項限制構成的上限。第一，重新校準負擔從未完全消失——CLDA 減輕、但未消除對結構化任務與偶爾真實標記的需求。第二，它假設存在可解碼的標籤來源；而我們最終想解碼的許多對象——情緒、記憶、自由認知——並沒有可供推斷意圖的可見目標。第三，它能良好追蹤緩慢漂移，卻難以應付突發變化：一個鬆脫的陣列接頭、一夜之間單元群體的跳變。
這是一次向前沿的誠實交棒。閉迴路監督式方法已然成熟、已被部署，且在有已知任務的緩慢漂移上確實表現優異。而超出這一切的部分——免標籤、免任務、對突發變化穩健——正是近幾年研究所在，也是本主題其餘部分要前往之處。