少数极端值常把训练带偏，但在金融损失或网络流量里，它们未必是脏数据，而可能正是最值得保留的部分。José Manuel de Frutos 等人提出 Pareto-ISL，帮助隐式生成模型——只会直接造样本、不必写出概率公式的模型——同时学到常见情况和罕见极端事件。
它的关键像是反复“排队”：把一个真实数据点放进一批生成样本中，看它排第几。如果生成分布与真实分布一致，这些名次应大致均匀。模型据此计算不变统计损失（ISL），无需像 GAN 那样让生成器与判别器持续对抗。面对重尾分布——极端大值出现得格外频繁的分布——作者还把常用的高斯随机输入换成广义 Pareto 随机输入，让模型更容易触及分布远端。
作者证明，该损失在连续分布上构成有效的分布差异度量，并且几乎处处可微，可用于梯度训练；其自述实验显示，Pareto-ISL 对尾部的还原优于高斯输入的 ISL 和所比较的对抗方案。