ノイズのあるラベルを伴う学習における従来の手法は、人工的に注入されたノイズを含むデータセットに対しては成功裏に運用されてきたが、現実世界のノイズを十分に扱うにはまだ至っていない。機械学習の多様な分野におけるメタラーニングの活用が進む中、研究者たちは補助的な小規模なクリーンデータセットを用いてトレーニングラベルをメタ補正する手法を採用してきた。しかしながら、既存のメタラベル補正手法はその潜在能力を十分に活用できていない。本研究では、ノイズラベルを伴う学習（LNL）問題に対応するため、EMLC（Enhanced Meta Label Correction）と略される新たなアプローチを提案する。我々はメタラーニングプロセスを再検討し、より高速かつ高精度なメタ勾配の導出手法を導入した。さらに、LNL問題に特化した新たなテイチャーアーキテクチャを提案し、独創的なトレーニング目的関数を備えている。EMLCは従来の手法を上回り、すべての標準ベンチマークで最先端の性能を達成した。特に、実世界のノイズを含むデータセットClothing1Mにおいて、従来の最良手法より1.52%の精度向上を実現した一方で、エポックあたりの処理時間は半分（×0.5）に削減され、メタ目的関数の収束速度も大幅に向上した。