Pour résoudre les problèmes d'instabilité de la dynamique d'apprentissage et de perte de mode des modèles génératifs implicites existants, cet article propose la méthode Pareto-ISL, une extension de la méthode de perte statistique invariante (ISL) qui modélise avec précision les queues d'une distribution ainsi que ses caractéristiques centrales. Pour surmonter les limites de l'ISL existante, limitée aux données unidimensionnelles, nous proposons un générateur utilisant la distribution de Pareto généralisée (GPD) et une nouvelle fonction de perte adaptée aux données multidimensionnelles utilisant des projections aléatoires. Des expériences démontrent ses performances en modélisation générative multidimensionnelle et démontrent son potentiel comme technique de pré-apprentissage des GAN pour prévenir l'effondrement des modes. Nous nous concentrons notamment sur la gestion efficace des distributions à queues lourdes rencontrées dans les phénomènes réels.
