強化学習のアルゴリズム分類における「価値ベース手法」と「方策ベース手法」の特徴に関する記述として、最も適切なものを1つ選択してください。
出典G検定オリジナル模擬試験
ア
方策勾配法などの方策ベース手法は、方策をパラメータ化して直接最適化するため、ロボット制御のような連続値の行動空間（関節のトルクなど）を自然に扱える。
イ
Q学習などの価値ベース手法は、連続行動空間において全行動の中から最大値 max_a Q(s, a) を解析的に瞬時に計算できるため、連続制御で最も多用される。
ウ
方策ベース手法は方策が決定論的に固定されるため、じゃんけんのように確率的な方策が最適となるゲームには一切適用できない。
エ
価値ベース手法は価値関数を介さずに行動を直接出力し、方策ベース手法は行動価値のテーブルのみを更新する。