本研究では，注意一貫性の消去（Erasing Attention Consistency）に基づく特徴学習手法を再検討し，ノイズラベル分類タスクにおけるモデルの信頼性を向上させるため，学習可能な注意一貫性消去手法を提案する．モデルがノイズサンプルを記憶する際，ノイズラベルに関連する部分特徴に注目する傾向があることから，正しいラベルに関連する特徴を消去した場合でも，モデルは消去後の画像から有効な特徴を学習できることを確認した．この知見に基づき，我々はアテンションマップに基づいて消去位置を動的に学習する新しい手法LAE（Learnable Attention Erasing）を提案する．LAEは，学習過程においてノイズサンプルを自動的に抑制することを目的とする．具体的には，消去生成器を構築し，ノイズラベルに関連する注意領域を選択的に抑制するとともに，注意一貫性を利用してモデルが部分的特徴に過度に依存することを防ぐ．実験結果から，CIFAR-100およびAnimal-10Nデータセットにおいて，LAEは従来の注意一貫性の消去手法を上回る性能を示した．