최소 변화 원칙은 새로운 정보를 받아들일 때 기존의 신념 상태를 가능한 한 가깝게 유지하는 것을 요구하며, 최소 수정 방법이 이를 따릅니다. 그러나 다른 학습 방법에 비해 학습 능력이 제한적입니다. 본 논문은 이러한 한계에도 불구하고 최소 수정이 광범위한 상황에서 성공적인 학습 방법임을 보입니다. 특히, 유한하게 식별 가능한 모든 문제와 유한한 가능성을 고려할 때 긍정 및 부정 데이터를 사용하여 학습할 수 있습니다. 또한 최소 수정, 조건화, 사전적 업그레이드를 통해 학습할 수 있는 사전 타당성 할당을 특징짓고, 오류가 발생할 수 있는 정보로부터 학습할 때는 일부 결과가 유효하지 않음을 보여줍니다.
