Để Giải quyết vấn đề động lực học không ổn định và mất mát mô hình của các mô hình sinh ngầm hiện có, bài báo này đề xuất Pareto-ISL, một phần mở rộng của phương pháp mất mát thống kê bất biến (ISL) mô hình hóa chính xác đuôi của một phân phối cùng với các đặc trưng trung tâm. Để khắc phục hạn chế của ISL hiện có, vốn bị giới hạn ở dữ liệu một chiều, chúng tôi đề xuất một bộ tạo sử dụng Phân phối Pareto Tổng quát (GPD) và một hàm mất mát mới phù hợp với dữ liệu đa chiều bằng cách sử dụng phép chiếu ngẫu nhiên. Các thí nghiệm chứng minh hiệu suất của nó trong mô hình sinh đa chiều và chứng minh tiềm năng của nó như một kỹ thuật tiền huấn luyện cho GAN để ngăn chặn sự sụp đổ mô hình. Cụ thể, chúng tôi tập trung vào việc xử lý hiệu quả các phân phối đuôi nặng thường gặp trong các hiện tượng thực tế.
