在一篇發表于《自然·神經科學》雜志上的評論文章中，卡內基梅隆大學的Byron M. Yu 和哥倫比亞大學的John P. Cunningham 描述了很多研究大量神經元共同活動的科學動機，是為了解釋神經元的活動，并提出了一種名為降維的機器學習算法。

[[118830]]

近年來，降維讓我們深入了解了大腦如何區分不同氣味、面對不確定如何做決定和在沒有實際動作時如何思考移動肢體的。Yu和Cunningham 主張把降維作為一個標準的分析方法，這將更容易地比較出健康和異常大腦的活動模式，最終改善針對腦損傷和腦功能紊亂的治療和干預。

CMU電氣與計算機工程和生物醫學工程的助理教授及CNBC教職工Yu表示，“神經系統科學的核心原則之一就是，大量神經元互相協作才能產生大腦功能。然而，最標準的分析方法只能一次分析一個或兩個神經元。要了解大量神經元是如何相互作用的，先進的統計方法(如降維)才能解釋這些大規模的神經記錄。”

降維真正的理念是使用較少的潛在或隱藏變量來總結大量神經元活動。降維研究方法在揭開大腦內部工作機制中是極其有用的，例如在我們沉思或解決腦力數學難題時，其中所有的活動都是在大腦內進行，而不是在外部世界。通過這些潛變量可以用來描繪出思考路徑。

CU的統計學助理教授Cunningham在文章中稱，“科學研究的主要目標是用簡單的術語解釋復雜的現象。傳統的神經科學家旨在找到將單個神經元簡單化的方法。但他們現在越來越認識到，神經元在活動模式中所表現出各種各樣的特征是很難通過檢查一個神經元解釋的。降維為我們提供了一種方法來涵蓋單個神經元的異質性，并依據神經元彼此的互動找到簡單的解釋。”

盡管在神經系統科學中，相比現有的分析方法，降維相對較新，但它已經展現出了巨大潛力和光明前景。隨著神經記錄技術的持續發展和美國“大腦計劃(BRAIN Initiative)”的開展，大數據隨之越來越大，使用降維和相關方法將成為一種必不可少的數據處理方法。