对于t-SNE代价函数，以下陈述中的哪一个正确？

小开

答案解析

SNE代价函数是不对称的，这使得使用梯度下降难以收敛。对称是SNE和t-SNE代价函数之间的主要区别之一。为了测量条件概率SNE差值的总和的最小化，在全体数据点中使用梯度下降法使所有数据点的Kullback-Leibler散度总和减小到最小。我们必须知道，K-L散度本质上是不对称的。换句话说，SNE代价函数重点在映射中保留数据的局部结构（为了高斯方差在高维空间的合理性)除此之外，优化该代价函数是非常困难的（计算效率低）。因此，t-SNE也尝试最小化条件概率之差的总和值。但它通过使用对称版本的SNE代价函数，使用简单的梯度。此外，t-SNE在低维空间中采用长尾分布，以减轻拥挤问题（参考下面译者解释）和SNE的优化问题。