Visual Reasoningのためのデータセットは、アノテータバイアスの発生などの問題が存在することから、大規模化が難しい。一方で、ラベルのノイズを含んだ画像の収集はweb上で簡単に行うことが可能である。人手によるアノテーションがされたclearnなデータと、web上のnoisyなデータを用いた学習手法を提案。