ε-greedy方策

正解：B

ε-greedy方策は、確率 ε でランダムな行動を試し、それ以外は最善の行動を選ぶ方策。

ε-greedy方策：確率 1−ε で今一番良さそうな行動、確率 ε でランダムな行動を選ぶ（活用と探索）。

• A

  誤り。UCB方策は、試した回数が少ない行動ほど優先して選ぶように、価値の見積もりに上乗せをする方策。

• B

  正しい。未知の行動を試す「探索」と、よい行動を使う「活用」のバランスをとるための代表的な方法。

• C

  誤り。Q学習は行動の価値（Q値）を更新していく学習方法で、行動の選び方そのものではない。

• D

  誤り。方策をパラメータで表し、その勾配を使って直接最適化する手法。

学習のポイント：探索と活用のトレードオフと、バンディット問題の考え方を押さえる。