我々は、意味的クラスタリングと半教師あり学習（SSL）を活用することで、従来の最先端（SOTA）手法と比較して、重度のラベルノイズに対して優れたロバスト性と、軽度のラベルノイズに対しても競争力あるロバスト性を実現する新たな学習アルゴリズム「ScanMix」を提案する。ScanMixは期待値最大化（EM）フレームワークに基づいており、Eステップでは画像の外観および分類結果に基づいて潜在変数を推定し、訓練画像を意味的クラスタリングする。一方、MステップではSSLによる分類を最適化し、意味的クラスタリングを通じて効果的な特徴表現を学習する。本研究では、ScanMixの正しさと収束性を示す理論的結果を提示するとともに、実験的にCIFAR-10/-100（対称的・非対称的・意味的ラベルノイズを含む）、Red Mini-ImageNet（Controlled Noisy Web Labelsより得られたデータ）、Clothing1M、WebVisionにおいて、SOTAの性能を達成することを示した。重度のラベルノイズが存在するすべてのベンチマークにおいて、本手法の結果は現在のSOTAと同等以上の性能を示した。