深層ニューラルネットワーク（DNN）が画像分類タスクにおいて成功を収めているにもかかわらず、人間レベルの性能は高品質な手動アノテーション付きの大規模な訓練データに依存しており、これらのデータを収集することはコストがかかり、時間もかかるという問題があります。ウェブ上には安価なデータソースが多数存在しますが、それらはしばしば不正確なラベルを含んでいます。ノイズのあるラベル付きデータセットで訓練を行うと、性能が低下する原因となります。これはDNNがラベルのノイズに簡単に過学習してしまうためです。この問題を克服するために、私たちは従来の勾配更新の前にメタ学習更新を行う耐ノイズ訓練アルゴリズムを提案します。提案されたメタ学習方法では、合成ノイズラベルを生成することで実際の訓練をシミュレートし、各セットの合成ノイズラベルを使用して1回の勾配更新を行った後でもモデルが特定のノイズに過学習しないように訓練します。私たちはCIFAR-10データセット（noisy CIFAR-10）とClothing1Mデータセットで広範な実験を行い、結果は提案手法がいくつかの最先端ベースラインと比較して優れた性能を示すことを証明しています。