ルール発見は，データ集合からの属性間に成立する局所的制約の導出であり，知識発見において最も基本的な手法の一つである．データマイニングにおいて提案されている他の手法では，領域固有の情報をあからじめ与えることや，ユーザインタラクションを利用することを仮定している． 本研究が対象とする常識ルールと例外ルールの同時発見は，領域知識に相当する常識ルールを与えるのでなく，例外ルールと同時に求めるものである．すなわち，本手法は，領域固有の情報とユーザインタラクションではなく，発見過程の分析に基づいて有用ルールを求めるものであり，独創的な手法である．知識を発見する際に，領域固有の情報とユーザインタラクションは強力であるが有用な知識を見落とす可能性があることも指摘されており，特に後者はユーザの負担を伴う． 本研究を遂行することにより，領域固有の情報が得にくいデータにも適用でき，有用な知識を見落とす可能性が少なく，ユーザへの負担が軽いルール発見システムを実現できると考えられる．さらに，本手法は，常識を学びながら意外なルールを発見するモデルにもなっており，発見科学に貢献するところも大きいと考えられる．

ルール発見は，数多くの例を説明する強いルールと，少数の例を説明する弱いルールの両方を対象とし，意外性を示す例外ルールは後者に属する．弱いルールの発見手法は，強いルールを与えてそれらに反するものを求める知識駆動型，ルール中の論理式についての生起確率を組み合わせた式を仮定してその値が大きいものを求める規準駆動型および強いルールと対応する弱いルールの両方を 同時に求める仮説駆動型がある．知識駆動型発見手法としては，AT & T 社の Silberschatz とNew York 大学の Tuzhilin による信念駆動発見などがあるが，これらは上記の欠点を持っている． 規準駆動型発見手法としては，California大学Irvine校のSmythによるITRULEなどがあるが，単一のルールを求めるため，他の型の発見手法と統合しない場合，例外ルール発見には不向きである．仮説駆動型としては，申請者による一連の研究があり，上記の弱点を持っている． 当該研究は，発見過程に応じたスケジューリングにより，これらの弱点を克服し，仮説駆動型例外ルール発見手法を適用しやすくするものである.

次に，上述のスケジューリング機能を常識ルールと例外ルールの同時発見システムに組み込むことにより，基盤システムを計算機上に実装する．

最後に，実装した基盤システムの有効性を示すために，大規模データを用いて予備実験を行う．ここでの大規模データとしては，阪神大震災直後に実施された 16,489 人分のアンケートデータや，機械学習の標準問題として公開されている 299,285 人分の米国国勢調査データなどを想定しており，これらのデータは入手済みである．

なお，例外事例の発見についても，ケーススタディを通して考慮したい．

• Shinsuke SUGAYA, Einoshin SUZUKI and Shusaku Tsumoto. "Support Vector Machines for Knowledge Discovery",
  Principles of Data Mining and Knowledge Discovery,
  LNAI 1704, Springer-Verlag, pp. 561--567, 1999.
  

• Einoshin SUZUKI. "Scheduled Discovery of Exception Rules"
  Discovery Science, LNAI 1721, Springer-Verlag, pp. 184--195, 1999.
  

• Shinsuke SUGAYA and Einoshin SUZUKI. ``Normal Form Transformation for Object Recognition Based on Support Vector Machine'',
  Discovery Science, LNAI 1721, Springer-Verlag, pp. 306--315, 1999.