グリーディーアルゴリズム
グリーディーアルゴリズム（貪欲法）は、最適化問題を解く際にその場その場で最も良い選択を積み重ねる手法です。将来の結果を考慮せず目先の利益を優先するため計算が速い特徴があり、機械学習の決定木学習などで広く使われています。
アルゴリズムのAI用語一覧（4ページ目）
108件アルゴリズムに関するAI用語を108件掲載しています。意味や使い方、関連用語を一覧から確認できます。 現在は4ページ目です。
NP困難問題
NP困難問題とは、コンピュータにとって効率的な解法を見つけるのが極めて難しいとされる計算問題のクラスです。AIや機械学習分野における最適なモデルの探索や経路最適化などにおいて、厳密解を短時間で求めることが困難であるため、近似アルゴリズムやメタヒューリスティクスが活用されます。
ニアレストネイバー法
ニアレストネイバー法とは、未知のデータを分類・予測する際に、特徴空間上で最も距離が近い既存のデータを検索し、そのラベルや値をそのまま適用する機械学習のアルゴリズムです。シンプルな構造でありながら直感的に理解しやすく、画像認識や推薦システムなどの基準モデルとして広く活用されています。
量子フーリエ変換
量子フーリエ変換は、古典的な離散フーリエ変換の量子コンピュータ版であり、量子状態の位相情報を効率的に抽出するための重要なアルゴリズムです。ショアのアルゴリズムなどにおいて、周期性を見つけ出すための核心的役割を果たします。
巡回セールス問題
巡回セールス問題とは、複数の都市をすべて1回ずつ訪れて元の場所に戻る際の最短移動ルートを求める組み合わせ最適化問題です。都市数が増えると計算量が暴走する組合せ爆発が発生するため、NP困難な問題として知られています。配送ルートの最適化など実社会で広く応用され、遺伝的アルゴリズムや強化学習を用いた解法も研究されています。
A*探索アルゴリズム
A*探索アルゴリズムは、グラフや格子状のマップ上でスタートからゴールまでの最短経路を効率的に見つけるためのアルゴリズムです。ダイクストラ法にヒューリスティック関数を組み合わせることで、不要な探索を減らし高速に最適解を導き出します。ゲームの経路探索やロボットナビゲーションで広く応用されています。
割当問題
割当問題とは、複数の「仕事」と複数の「作業者」が存在するとき、全体のコストを最小化（または全体の価値を最大化）するように、1対1の最適なペアを決定する数理最適化の問題です。線形計画法で効率よく解ける特徴を持ち、AIの資源配分、タスク割り当て、最適輸送問題などの基礎として広く応用されています。
ハイブリッドアルゴリズム
ハイブリッドアルゴリズムとは、異なる複数のアルゴリズムや計算手法を組み合わせ、それぞれの長所を生かして弱点を補う仕組みです。AIや機械学習の分野において、単一の手法では解決が難しい複雑で大規模な問題を効率的に解くために広く活用されています。
多項式時間
多項式時間とは、計算量が入力サイズを底とする多項式で抑えられる計算時間を指します。AIや機械学習の最適化問題において、現実的な時間で効率的に解けるかどうかの重要な判断基準となります。
決定性チューリングマシン
決定性チューリングマシンとは、計算可能性理論の基礎となる抽象計算モデルであり、現在のコンピュータの動作原理の基礎となったものです。状態とテープのヘッドの位置に応じて、次の動作が一意に定まる特徴を持ちます。
二分探索
二分探索は、整列済みのデータから目的の値を効率的に探し出す探索アルゴリズムです。データを中央の値で2つに分割し、探索範囲を毎回半分に絞り込むことで、高速な検索を実現します。機械学習におけるハイパーパラメータの調整やデータベースのインデックス参照など、幅広い技術基盤で活用されています。
近傍探索
近傍探索（Nearest Neighbor Search）とは、多次元空間内に存在するデータの中から、指定された問い合わせデータに最も類似した（距離が近い）データを効率的に探し出すアルゴリズムです。画像検索、推薦システム、自然言語処理のベクトル検索など、AIにおけるデータ比較の基盤技術として広く活用されています。
多腕バンディット問題
多腕バンディット問題とは、複数の選択肢の中から報酬が最も高いものを効率的に探すための強化学習における数学的モデルです。未知の選択肢を試す「探索」と、これまでの経験で得た最善の選択肢を続ける「利用」のバランスを最適化する手法として活用されています。
ヒューリスティック探索
ヒューリスティック探索とは、膨大な選択肢が存在する問題において、経験則や推測に基づく評価関数を活用し、効率的に最適解や良好な解を見つけ出す探索手法です。すべての選択肢を確認する全探索とは異なり、解に到達する可能性が高い経路を優先的に調べるため、計算時間を大幅に削減できる点が特徴です。
モデルフリー強化学習
モデルフリー強化学習は、環境の動作モデルを事前に仮定せず、試行錯誤を通じて得られる経験のみから最適な方策を学習する手法です。複雑な実世界の問題に広く応用されますが、多くのデータが必要になるという特徴があります。
積和演算
積和演算（MAC）とは、乗算（掛け算）を行った結果を、特定の値に加算（足し算）していく計算処理のことです。ディープラーニングの重み付けや行列積の計算において大量に実行されるため、AI処理の高速化を左右する最も基本的な演算子となっています。GPUやNPUなどのハードウェアでは、積和演算を効率的に処理する専用ユニットが備わっています。
汎用型量子コンピュータ
汎用型量子コンピュータとは、特定の計算だけでなく任意のアルゴリズムを実行可能な次世代の量子計算機です。物理的エラーの訂正機構を備え、現在のスーパーコンピュータを大きく超える処理能力を実現すると期待されています。
量子最適化アルゴリズム
量子コンピュータの性質を利用して、膨大な選択肢の中から最適な解を高速に探し出すアルゴリズムの総称です。物流経路の最適化や金融ポートフォリオの構築など、従来のコンピュータでは計算時間が膨大になる複雑な問題の解決手段として期待されています。
バックトラッキング探索
バックトラッキング探索とは、問題を解くためのすべての選択肢を体系的に評価する探索アルゴリズムの一種です。解の候補を段階的に構築しながら進み、途中で条件を満たさない（行き止まりである）と判明した時点で直前の分岐点まで戻り（バックトラック）、別の可能性を試します。無駄な探索を減らす枝刈りを組み合わせることで、効率的に正解を見つけます。
自動マーケットメーカー
自動マーケットメーカー（AMM）とは、従来の注文板を使わずに数式やアルゴリズムに基づいて資産の価格を自動決定し、取引を成立させる仕組みです。暗号資産取引で普及したほか、近年では機械学習モデルや強化学習を活用した動的な価格調整や、自律型AIエージェント間の取引基盤としても研究が進んでいます。
リコメンデーション
リコメンデーションとは、ユーザーの過去の行動履歴や嗜好を分析し、興味を持ちそうな情報や商品を自動的に提案する技術や仕組みです。ECサイトや動画配信サービスなどで広く活用され、ユーザーの利便性向上や情報過多の解消に重要な役割を果たしています。
優先順位付き経験再生
優先順位付き経験再生は、強化学習においてエージェントの学習効率を大幅に高めるための技術です。過去の経験データのなかから、学習にとって重要な意味を持つ重要なデータや珍しいデータを高い頻度でサンプリングし、効率的なパラメータ更新を実現します。
方策ベース手法
方策ベース手法とは、エージェントが取る行動の確率分布である方策を直接パラメータ化して最適化する強化学習のアプローチです。連続的な行動空間や確率的な方策を扱える点が特徴で、ロボット制御などで広く活用されています。
計算不能問題
計算不能問題とは、どのようなコンピュータ（アルゴリズム）を用いても、有限時間内に正しい「はい」または「いいえ」の答えを常に導き出すことが不可能な決定問題のことです。人工知能やソフトウェア開発における、理論上の限界を示す重要な概念として知られています。