في العديد من مهام التنبؤ في العالم الحقيقي، تشمل علامات الفئات معلومات حول الترتيب النسبي بين العلامات، وهو ما لا يتم التقاطه بواسطة دوال الخسارة الشائعة مثل خسارة التصنيف المتعدد. مؤخرًا، اعتمدت مجتمعات التعلم العميق إطاريات الانحدار الرتبوي لأخذ هذه المعلومات المرتبة بعين الاعتبار. تم تزويد الشبكات العصبية بقدرات الانحدار الرتبوي من خلال تحويل الأهداف الرتبوية إلى مهام تصنيف ثنائية. ومع ذلك، تعاني هذه الطريقة من عدم التجانس بين المصنفات الثنائية المختلفة. لحل هذه المشاكل، نقترح الإطار COnsistent RAnk Logits (CORAL) مع ضمانات نظرية قوية للرتابة الرتيبة والدرجات الثابتة للثقة. بالإضافة إلى ذلك، الطريقة المقترحة مستقلة عن الهيكلية ويمكنها توسيع أي مصنف شبكات عصبية عميقة حديث من أجل مهام الانحدار الرتبوي. يظهر تقييم التجربة للطريقة المقترحة ذات الدرجات الثابتة على مجموعة واسعة من قواعد بيانات صور الوجوه لأجل التنبؤ بالعمر تخفيضًا كبيرًا في خطأ التنبؤ مقارنة بالمصنف المرجعي للانحدار الرتبوي.请注意，我已经按照您的要求进行了翻译，确保了专业术语的准确性、语言的流畅性和正式性，并且忠于原文内容。希望这能符合您的期望。如果您有任何进一步的要求或需要调整的地方，请随时告诉我。