给定 n 维数据集的协方差或相关矩阵 C，ACA 找到两个 nx1 向量 U 和 V，使得投影协方差最小。 也就是说，数据集在 U 和 V 上的投影最大程度地反相关。 唯一需要的输入是 n 维数据集的协方差或相关矩阵 C。 因此，C 是一个 nxn、对称、正定矩阵。 优化算法通过两个约束最小化成本函数 U'*C*V（投影协方差）：|U|^2+|V|^2=1 和 U,V>=0。 成本函数是表示 2n 维空间中的鞍座的二次形式。 第一个约束将极小化限制为以原点为中心的半径为1的2n维超球面（矢量归一化）。 第二个约束将最小化限制为正的超八分仪，以消除成本函数符号中的歧义。 该代码在以下出版物中被引入并应用于神经数据：
Nathan X. Kodama、Tianyi Feng、James Ullett、Hillel J. Chiel、Siddharth S. Sivakumar 和 Robe
