強化学習における更新方式であるSARSA（オンポリシー型）とQ学習（オフポリシー型）の違いに関する記述として正しいものはどれか。

• ASARSAは経験再生バッファを用いて過去の遷移からランダムサンプリングして学習するのに対し、Q学習はオンラインの遷移のみを用いる。
• BSARSAとQ学習はどちらも次状態で必ず最大価値の行動を用いて更新するため、更新則に本質的な違いはない。
• CQ学習は行動選択に用いた方策をそのまま評価するオンポリシー型であり、SARSAは別の貪欲方策を仮定して評価するオフポリシー型である。
• ✓SARSAは実際に選択した次の行動の価値を用いて更新するオンポリシー型であり、Q学習は次状態で最大価値を与える行動を仮定して更新するオフポリシー型である。