نویزِ مرحلهٔ نمونه‌گیری می‌تواند تعمیم‌پذیری مدل‌های انتشار را تقویت یا تضعیف کند

پژوهشگران می‌گویند مدل‌های انتشار که با مجموعه‌داده‌های جداگانه آموزش دیده‌اند، گاهی با دریافت ورودی نویز یکسان، نمونه‌هایی بسیار شبیه به هم تولید می‌کنند؛ رفتاری که می‌تواند نشان‌دهندهٔ یادگیری یک توزیع دادهٔ تعمیم‌یافته باشد. این پیش‌چاپ نقش نویزی را بررسی می‌کند که در جریان نمونه‌گیری به مدل تزریق می‌شود و گزارش می‌دهد این نویز در شکل‌گیری یا از بین رفتن این اثر تعمیم نقش مهمی دارد.

بر اساس یافته‌های پژوهش، اثر تغییر نویز بر شباهت نمونه‌ها در مرحله‌ای از نمونه‌گیری بیشترین است که ساختار کلی خروجی شکل گرفته، اما هویت دقیق نمونه هنوز تعیین نشده است.