本稿では、半教師あり学習における擬似ラベル手法を回帰問題に応用する新たなフレームワークを提案します。従来のクラス分類における擬似ラベルは離散的であり、信頼性のあるフィルタリングが可能ですが、回帰の場合は連続的な出力と異方性ノイズが関与し、擬似ラベルの信頼性を評価するのが難しいです。そのため、単純な擬似ラベリングでは誤りの蓄積や不正確なラベルへの過剰適合が起こります。本研究では、二層最適化の視点から擬似ラベルの影響を動的に調整する不確実性に基づく擬似ラベリングフレームワークを提案し、全データの経験リスクを共同最小化することで、ラベル付きデータに対する一般化能力を向上させ、不信な擬似ラベルの影響を軽減することを目指しています。多様なベンチマークデータセットで実験を行い、提案手法の優れたロバスト性と性能が示されています。