ToT（Tree of Thought）

大規模言語モデルに、推論の途中で複数の考え方の候補を分岐させて木構造のように展開させ、各候補を評価しながら有望なものを選んで探索させる手法。行き詰まったら別の候補に戻って考え直せるため、一本道で推論するCoTより、計画や試行錯誤を要する問題に強い。

ハイパーパラメータの探索で、指定した範囲や分布から値の組合せを無作為に選び、決めた回数だけ試して最もよいものを選ぶ方法。性能に効くハイパーパラメータが一部に限られる場合、同じ試行回数でもグリッドサーチより効率よくよい値を見つけやすい。試行回数で計算コストを管理できる。

大規模言語モデルに、考える（Reasoning）ことと行動する（Acting）ことを交互に行わせるAIエージェントの設計パターン。「思考（次に何をすべきか）→行動（検索などのツールの呼出し）→観察（ツールの結果）」を目的が達成されるまで繰り返す。外部から得た情報に基づいて推論を進めるのでハルシネーションを減らせ、途中の思考の記録から動作を追跡しやすいが、ループが長引くと費用と時間がかさむ。

大規模言語モデルに、最終的な答えだけでなく、そこに至る途中の推論の手順を順に書き出させる手法で、思考の連鎖ともいう。プロンプトで推論過程の例を示したり、「段階的に考えて」と指示したりすることで、計算や論理的な推論を要する問題の正答率が上がる。推論の過程を内部で長く行うよう学習した推論モデルも登場している。

個々の事例や観察の結果から、それらに共通する一般的な規則や法則を導く推論。「見たカラスはすべて黒い」から「カラスは黒い」を導くような推論で、新しい知識を得られるが、反例が見つかれば覆るので結論は必ずしも正しくない。データから規則を学ぶ機械学習は帰納推論の一種といえる。

各節点の子の並び順に意味がある木。2分木の左の子と右の子のように、子を第1子、第2子と区別して扱う。子の順序が決まっているので、先行順・中間順・後行順といった節点の訪問順（走査）が定まり、構文木や2分探索木はこの性質を前提としている。

1つの節点が3つ以上の子を持てる木で、m個までの子を持つものをm分木という。1つの節点に多くのキーと子を持たせると木の高さが低くなり、根から葉までにたどる節点が少なくて済む。この性質を使ったB木やB+木は、ディスクの1回の読込みで多くのキーを比較できるので、データベースの索引に使われる。