A neurális aktivitást klasszikusan felügyelt tanulásos technikákkal analizálták, ahol a vizsgálni kívánt változót, illetve annak pillanatbeli értékét előre rögzíteni kell az analízis során. Ez a keretrendszer nem tesz lehetővé új, eddig ismeretlen vagy kísérletesen nem mérhető változók, funkcionalitások felfedezését melyet egy adott agyterület végez. Kutatásom célja egy felügyelet nélküli mélytanuló módszer, nevezetesen Variációs Autoenkóder (VAE) segítségével felfedni patkány hippokampális aktivitását meghajtó rejtett struktúrát, beazonosítani és dekódolni a navigáció során reprezentált változókat. Ezzel a módszerrel lehetőségünk van kinyerni az adatban rejlő látens struktúrát, egy értelmezhető, potenciálisan alacsonydimenziós reprezentációját az egyébként zajos és magasdimenziós neurális adatnak
Munkám során megmutattam, hogy a hippokampális aktivitás térbeli exploráció során potenciálisan 3 dimenziós, melyből 2 dimenzió a térbeli koordinátákat kódolja. Megmutattam továbbá, hogy a VAE-k sikeresen alkalmazhatóak neurális adaton, azonban, ha a valódi látens faktorok nem Gauss eloszlásúak vagy a leképezés a látensek és a megfigyelések között erősen nemlineáris (mint a felhasznált adatban), a VAE-k nem elég rugalmasak és további nemlineáris dimenzióredukciós technika (pl. Isomap) alkalmazása szükséges.