在一篇发表于《自然·神经科学》杂志上的评论文章中，卡内基梅隆大学的Byron M. Yu 和哥伦比亚大学的John P. Cunningham 描述了很多研究大量神经元共同活动的科学动机，是为了解释神经元的活动，并提出了一种名为降维的机器学习算法。

近年来，降维让我们深入了解了大脑如何区分不同气味、面对不确定如何做决定和在没有实际动作时如何思考移动肢体的。Yu和Cunningham 主张把降维作为一个标准的分析方法，这将更容易地比较出健康和异常大脑的活动模式，最终改善针对脑损伤和脑功能紊乱的治疗和干预。

CMU电气与计算机工程和生物医学工程的助理教授及CNBC教职工Yu表示，“神经系统科学的核心原则之一就是，大量神经元互相协作才能产生大脑功能。然而，最标准的分析方法只能一次分析一个或两个神经元。要了解大量神经元是如何相互作用的，先进的统计方法(如降维)才能解释这些大规模的神经记录。”

降维真正的理念是使用较少的潜在或隐藏变量来总结大量神经元活动。降维研究方法在揭开大脑内部工作机制中是极其有用的，例如在我们沉思或解决脑力数学难题时，其中所有的活动都是在大脑内进行，而不是在外部世界。通过这些潜变量可以用来描绘出思考路径。

CU的统计学助理教授Cunningham在文章中称，“科学研究的主要目标是用简单的术语解释复杂的现象。传统的神经科学家旨在找到将单个神经元简单化的方法。但他们现在越来越认识到，神经元在活动模式中所表现出各种各样的特征是很难通过检查一个神经元解释的。降维为我们提供了一种方法来涵盖单个神经元的异质性，并依据神经元彼此的互动找到简单的解释。”

尽管在神经系统科学中，相比现有的分析方法，降维相对较新，但它已经展现出了巨大潜力和光明前景。随着神经记录技术的持续发展和美国“大脑计划(BRAIN Initiative)”的开展，大数据随之越来越大，使用降维和相关方法将成为一种必不可少的数据处理方法。