先に述べたように，仮定の特性を測定するFMPsと，より高いレベルに仮定を変換する TPsを用いて，認識図は証明と変換をインターリーブする． トレーニングサンプルから，従属ツリーを構築し，DNFに変換し，最小の部分項を取り出すことで， SLSは，あるレベルから次のレベルに仮定を変換するために，どのTPsを用いるべきかを学習する． さらに重要なことは，SLSは，仮定が変換される前に，仮定をどの前提条件に適合させるべきかを学習する． このような前提条件は，代表的な中間レベルにおける認識過程の中間目標となる．
アルゴリズムの最適化は，中間レベルに達するか，もしくは，結果的に，仮定が中間レベルに達していないので， 拒否するべきだという決定をする，予期されるコストを最小にする，それぞれのレベルを表す決定ツリーを構築する． 決定ツリーは (1) FMPのアプリケーションのシーケンスの可能性を全て表す図をつくり，(2) 認識のコストの全体を最小にする 各チョイスノードにおける選択をする決定による画像の最適化をし，(3) その他の選択を取り除くことにより， 構築される． 最終的な結果は，証明の予期されるコストを最小にする各レベルを表す決定ツリーとなる．