In vielen realen Vorhersageaufgaben enthalten Klassifikationslabels Informationen über die relative Reihenfolge zwischen den Labels, die durch gebräuchliche Verlustfunktionen wie die multikategoriale Kreuzentropie nicht erfasst werden. Kürzlich haben sich die Deep-Learning-Forscher für ordinale Regressionsframeworks entschieden, um diese Ordnungsinformationen zu berücksichtigen. Neuronale Netze wurden mit ordinalen Regressionsfähigkeiten ausgestattet, indem ordinale Ziele in binäre Klassifizierungsaufgaben transformiert wurden. Allerdings leidet diese Methode unter Inkonsistenzen zwischen den verschiedenen binären Klassifizierern. Um diese Inkonsistenzen zu beheben, schlagen wir das Framework COnsistent RAnk Logits (CORAL) vor, das starke theoretische Garantien für Rangmonotonie und konsistente Konfidenzwerte bietet. Des Weiteren ist die vorgeschlagene Methode architekturunabhängig und kann beliebige state-of-the-art tiefe neuronale Netzwerkklassifizierer für ordinale Regressionsaufgaben erweitern. Die empirische Auswertung der vorgeschlagenen rangkonsistenten Methode auf einer Reihe von Gesichtsbild-Datensätzen zur Altersvorhersage zeigt eine erhebliche Reduktion des Vorhersagefehlers im Vergleich zum Referenzordinalregressionssnetzwerk.