代表的なTD学習アルゴリズムである「Q学習」と「SARSA」の違い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
Q学習は次状態での最善行動の最大価値 max_a' Q(s', a') を用いて更新する方策オフ型（Off-policy）であり、SARSAは実際に選択された次行動 a' の価値 Q(s', a') を用いて更新する方策オン型（On-policy）である。
イ
Q学習は実際にエージェントがとった行動 a' の価値のみを用いて更新し、SARSAはいかなる行動の価値も考慮しない。
ウ
Q学習は環境の遷移確率モデルが必須のモデルベース手法であり、SARSAはモデルフリー手法である。
エ
SARSAは探索行動による崖からの転落などのリスクを全く考慮せず、Q学習よりも危険な経路を好んで学習する。