問題番号: No.5700 (しっかりモード)

強化学習において、ある状態 $s$ において行動 $a$ を選択したとき、そこから得られる即時報酬が $r = 4$ であり、その後の状態における割引率 $\gamma = 0.5$ で計算される将来の最大割引報酬和の期待値が $v(s') = 10$ であるとする。このとき、行動価値関数 $Q(s, a)$ の値として正しいものを一つ選べ。