LFE: DNFに基づいたアルゴリズム

TPsと前提条件の最適な集合を見つけるのは，惑わせられやすいが，単純なアルゴリズムを用いている．

1. 正しい目標レベルの仮定の一般化された従属的ツリーを，分離的な規定の型 (DNF) に変換する．

2. その他の正しい目標レベルの仮定:
   1. それ自体の一般化された従属ツリーをDNFに変換する．

   2. 新旧のDNFの式にANDを適用する．

   3. ANDツリーの結果をDNFに変換する．

3. 仮定の合計を最も少なく生成する接続的な部分項の選択をする．

従属的な関係の理論によると，最終的なDNFの表現式の接続的な部分項における，TPsと前提条件は， トレーニング画像から，全ての正しい目標レベルの仮定を再生するには十分といえる． 端的にいえば，SLSは正しい仮定を生成する最適な方法を選択する．

根本がORノードか，部分項のシンボリッククロスプロダクトをとる場合，もしくは，根本がANDノードの場合， AND/ORの従属ツリーは，まず，それぞれのサブツリーをDNFに変換し，次に部分項を組み合わせる 標準的なアルゴリズムで変換されている． TPが，クロスプロダクトをとり，ANDを適用すると， 結果的な前提条件は，ANDを適用した2つの例の前提条件の共通部分になる．

この基本的なアルゴリズムを効率的に証明するために，わずかに変化させる． まず，SLSは，全ての項ではなく，DNFの表現式の最小の項を見つけようとするので， 他の論理的な超集合の，いかなる接続的な部分項も，取り除き， 考慮したい項の数を減少させる． 次の修正点は，従属ツリーのサイズと，単純な従属ツリーから，かなり複雑なものまで，ステップ2を繰り返すことにより， 正しい目標レベルの仮定は分類される． このことにより，最終結果に影響することなく，暫定的なDNFの表現式のサイズを減少する．