問題番号: No.2843 (しっかりモード)

強化学習において、環境の動力学モデルが未知である場合に、エージェントが実際に環境と相互作用して得た多数のサンプリング軌跡（エピソード）から得られる報酬の平均値を用いて価値関数を推定する手法の名称として、最も適切なものを1つ選べ。