一般に，これらの値は，トレーニング中に，FMPsのアプリケーションから，よく似た仮定へ見積もられる．
トレーニング中に生成された，よく似た仮定 (すなわち，特徴の値Fを有する仮定) の数が不十分ならば，
Fへの従属はうまくいかず，全ての仮定に交わるように値を見積もる．
特徴のある可能性とコストは仮定が測定される質によるので，残念ながら，これら統計的な測定は，探索データから直接推定されない．
可能性のある仮定の空間が徹底的に広がる探索アルゴリズムは，SLSの実行時の認識手法よりも，質の劣る多くの仮定を生成する．
それゆえ，仮定の探索は，実行時の仮定よりも，異なる統計的な分布から引き起こる．
結果的に，FMPの振る舞いの見積もりは，LFEアルゴリズムが実行されるまで遅延される． 徹底的な検索のアーティファクトで，そして，VPsとLFEアルゴリズムにより選択された前提条件を用いて生成することのできない仮定を 取り除くには，LFEの結果は，探索データを削除する必要がある． 探索データが削除されると，残った仮定は，VPsの振る舞いを特徴付けるのに用いられる．