Mélytanuló rendszerek nem csupán a rendszer kimeneti értékét számolják ki, hanem annak deriváltjait is, amivel a kimeneti érték és a valós érték különbségét vissza tudják terjeszteni a rendszer belsejébe. A visszaterjesztés során a rendszer adaptálódik a tanulómintákhoz, azaz végső soron tanul. Ez egy új paradigma, amellyel bármilyen alkalmazás felkészíthető mélytanuló megoldásra, miután definiáltuk annak deriváltjait.

Az önálló labor keretében ezt a paradigmát a képszintézis keretein belül kell tanulmányozni. A cél olyan képszintézis programok megalkotása, amelyek automatikusan deriváltakat is számolnak, és ezáltal inverz feladatokban (pl. optimális kamera és fényforrás paraméterek meghatározása, objektum rekonstrukció, orvosi képalkotás) felhasználhatók és a Tensorflow rendszerbe integrálhatók.

Ha valakit a formális nyelvek és fordító programok felépítése vonz, akkor érdekes feladat lehet az GLSL nyelv automatikus deriválással történő kiegészítése.