Сложность в обучении GAN

Я пытаюсь обучить GAN изучать распределение ряда функций в мероприятии. Обученные Дискриминатор и Генератор имеют низкие потери, но сгенерированные события имеют разное распределение по форме, но я не уверен, почему.

Я определяю GAN следующим образом:

def create_generator():

    generator = Sequential()

    generator.add(Dense(50,input_dim=noise_dim))
    generator.add(LeakyReLU(0.2))    
    generator.add(Dense(25))
    generator.add(LeakyReLU(0.2))
    generator.add(Dense(5))
    generator.add(LeakyReLU(0.2))
    generator.add(Dense(len(variables), activation='tanh'))

    return generator


def create_descriminator():
    discriminator = Sequential()

    discriminator.add(Dense(4, input_dim=len(variables)))
    discriminator.add(LeakyReLU(0.2))
    discriminator.add(Dense(4))
    discriminator.add(LeakyReLU(0.2))
    discriminator.add(Dense(4))
    discriminator.add(LeakyReLU(0.2))
    discriminator.add(Dense(1, activation='sigmoid'))   
    discriminator.compile(loss='binary_crossentropy', optimizer=optimizer)
    return discriminator


discriminator = create_descriminator()
generator = create_generator()

def define_gan(generator, discriminator):
    # make weights in the discriminator not trainable
    discriminator.trainable = False
    model = Sequential()
    model.add(generator)
    model.add(discriminator)
    model.compile(loss = 'binary_crossentropy', optimizer=optimizer)
    return model

gan = define_gan(generator, discriminator)

И я обучаю GAN с помощью этого цикла:

for epoch in range(epochs):
    for batch in range(steps_per_epoch):
        noise = np.random.normal(0, 1, size=(batch_size, noise_dim))
        fake_x = generator.predict(noise)

        real_x = x_train[np.random.randint(0, x_train.shape[0], size=batch_size)]

        x = np.concatenate((real_x, fake_x))
        # Real events have label 1, fake events have label 0
        disc_y = np.zeros(2*batch_size)
        disc_y[:batch_size] = 1

        discriminator.trainable = True
        d_loss = discriminator.train_on_batch(x, disc_y)

        discriminator.trainable = False
        y_gen = np.ones(batch_size)
        g_loss = gan.train_on_batch(noise, y_gen)

Мои реальные события масштабируются с помощью стандартного масштабатора sklearn:

scaler = StandardScaler()
x_train = scaler.fit_transform(x_train)

Генерация событий:

X_noise = np.random.normal(0, 1, size=(n_events, GAN_noise_size))
X_generated = generator.predict(X_noise)

Когда я затем использую обученный GAN после тренировки от нескольких сотен до нескольких тысяч эпох для генерации новых событий и масштабирования, я получаю распределения, которые выглядят следующим образом:

А сопоставление двух характеристик друг с другом для реальных и поддельных событий дает:

Это похоже на коллапс режима, но я не понимаю, как это могло привести к таким экстремальным значениям, когда все обрезается за пределами этих точек.