Cebra

CEBRA 是一个用于估计高维记录一致性嵌入的库，全称 Consistent EmBeddings of high-dimensional Recordings using Auxiliary variables。它最初由 Steffen Schneider、Jin H. Lee 和 Mackenzie Mathis 开发，相关成果以《Learnable latent embeddings for joint behavioural and neural analysis》为题发表于《Nature》。

它包含用 PyTorch 实现的自监督学习算法，并支持生物学与神经科学领域常见的多种数据集。CEBRA 处于活跃开发中，API 可能在不同版本间出现破坏性变更。自 0.4.0 版本起源码采用 Apache 2.0 许可，此前 0.1.0 至 0.3.1 版本仅供学术使用。

普通研究者可以按文档的 Usage 与 Demos 逐步在自己的数据上运行；开发者可以用 scikit-learn 风格接口接入现有分析流程，把 CEBRA 嵌入直接接到 DeepLabCut 的输出上，或用配套的 matplotlib、plotly 工具绘制模型结果；团队则可借助 conda、pip 或 Docker 安装，并用 Docker 保证分析代码可复现。