正確なラベルが得にくい状況、例えばノイズのあるラベル、部分的なラベル、複数のラベル候補といった、一般的に「不正確なラベル（imprecise labels）」と呼ばれる設定における学習は、機械学習の分野で広く見られる課題である。従来の手法は、新たな不正確なラベル構成ごとに個別に特化した設計を提案する傾向にあり、複数の不正確性の設定が同時に存在するような状況では、その持続可能性に限界がある。本論文では、さまざまな不正確なラベル設定に対して統一的に対応できるフレームワークとして、不正確ラベル学習（Imprecise Label Learning: ILL）を提案する。ILLは、期待値最大化（Expectation-Maximization: EM）を用いて不正確ラベル情報の構造をモデル化し、正確なラベルを潜在変数として扱う。訓練過程において、正確なラベルを近似するのではなく、不正確な情報から導かれるすべての可能なラベル付けの分布全体を考慮する。我々は、ILLが部分ラベル学習、半教師あり学習、ノイズラベル学習、さらにはこれら複数の設定が混合された状況にも自然に適応できることを示す。特に、ILLは既存の不正確ラベル処理手法を上回る性能を発揮し、さまざまな困難な設定において堅牢かつ効果的な性能を示す、初めての統一的フレームワークである。本研究がこの分野におけるさらなる研究を促進し、正確なラベルの取得が費用がかかり且つ複雑な状況においてILLの潜在能力を広く引き出すことを期待する。