Para abordar la dinámica de aprendizaje inestable y los problemas de pérdida de modo de los modelos generativos implícitos existentes, este artículo propone Pareto-ISL, una extensión del método de pérdida estadística invariante (ISL) que modela con precisión las colas de una distribución junto con las características centrales. Para superar la limitación de la ISL existente, que se limita a datos unidimensionales, proponemos un generador que utiliza la Distribución Generalizada de Pareto (GPD) y una novedosa función de pérdida adecuada para datos multidimensionales con proyecciones aleatorias. Los experimentos demuestran su rendimiento en el modelado generativo multidimensional y su potencial como técnica de preentrenamiento para GAN, con el fin de prevenir el colapso de modo. En particular, nos centramos en el manejo eficaz de distribuciones de colas pesadas presentes en fenómenos del mundo real.
